| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-36页 |
| ·研究背景及意义 | 第11-12页 |
| ·国内外研究及应用现状 | 第12-15页 |
| ·在线视觉跟踪及其挑战 | 第15-17页 |
| ·在线视觉跟踪的基本框架 | 第15-16页 |
| ·在线视觉跟踪的挑战 | 第16-17页 |
| ·相关技术综述 | 第17-27页 |
| ·基于均值偏移的目标跟踪 | 第18-19页 |
| ·基于分块的目标跟踪 | 第19-20页 |
| ·基于子空间的目标跟踪 | 第20-22页 |
| ·基于稀疏表示的目标跟踪 | 第22-24页 |
| ·基于判别学习的目标跟踪 | 第24-26页 |
| ·线性表示模型简述 | 第26-27页 |
| ·在线视觉跟踪理论框架和评估方法 | 第27-34页 |
| ·递归贝叶斯滤波框架 | 第27-29页 |
| ·仿射参数采样 | 第29-31页 |
| ·在线视觉跟踪的评估准则 | 第31-34页 |
| ·本文算法评测数据库介绍 | 第34页 |
| ·本文研究内容与组织结构 | 第34-36页 |
| 2 基于增量正交映射非负矩阵分解的在线视觉跟踪方法 | 第36-52页 |
| ·引言 | 第36页 |
| ·非负矩阵分解和增量非负矩阵分解算法 | 第36-40页 |
| ·增量止交映射非负矩阵分解算法 | 第40-43页 |
| ·增量学习基于部分的表示 | 第43-47页 |
| ·在线视觉跟踪应用 | 第47-49页 |
| ·基于IOPNMF的在线视觉跟踪算法 | 第47页 |
| ·实验结果及分析 | 第47-49页 |
| ·本章小结 | 第49-52页 |
| 3 基于稀疏原型的在线视觉跟踪 | 第52-68页 |
| ·引言 | 第52-53页 |
| ·相关工作讨论及本章算法提出的动机 | 第53-55页 |
| ·基于稀疏原型的在线视觉跟踪算法 | 第55-61页 |
| ·基于正交基向量和1_l正则化的目标表示模型 | 第55-56页 |
| ·基于稀疏原型的在线视觉跟踪算法框架 | 第56-58页 |
| ·观测似然函数的改进及讨论 | 第58-60页 |
| ·观测模型更新 | 第60页 |
| ·时间复杂度分析 | 第60-61页 |
| ·可扩展性分析 | 第61页 |
| ·实验结果及分析 | 第61-67页 |
| ·定性评估 | 第62-63页 |
| ·定量评估 | 第63-67页 |
| ·本章小结 | 第67-68页 |
| 4 基于在线二维稀疏原型算法的视觉跟踪 | 第68-81页 |
| ·引言 | 第68页 |
| ·二维主成分分析和增量二维主成分分析 | 第68-72页 |
| ·双向二维主成分分析 | 第69-71页 |
| ·增量二维主成分分析 | 第71-72页 |
| ·基于二维主成分分析和1_l正则化的跟踪算法 | 第72-78页 |
| ·联合二维主成分分析基矩阵和稀疏噪声矩阵的目标表示模型 | 第72-76页 |
| ·基于二维稀疏原型的在线视觉跟踪算法 | 第76-78页 |
| ·实验结果及分析 | 第78-80页 |
| ·本章小结 | 第80-81页 |
| 5 基于最小软阈值均方算法的在线视觉跟踪方法 | 第81-99页 |
| ·引言 | 第81-82页 |
| ·最小软阈值均方算法 | 第82-90页 |
| ·基于“高斯-拉普拉斯”噪声假设的线性回归 | 第82-85页 |
| ·最小软阈值均方回归 | 第85-88页 |
| ·最小软阈值均方距离 | 第88-90页 |
| ·基于最小软阈值均方的在线视觉跟踪框架 | 第90-92页 |
| ·实验结果及分析 | 第92-98页 |
| ·定性评价 | 第92-96页 |
| ·定量评估 | 第96-97页 |
| ·参数影响及分析 | 第97-98页 |
| ·本章小结 | 第98-99页 |
| 6 结论与展望 | 第99-101页 |
| 创新点摘要 | 第101-102页 |
| 参考文献 | 第102-111页 |
| 附录A 本文实验使用的数据库及相关介绍 | 第111-113页 |
| 附录B IOPNMF乘法更新迭代收敛性分析 | 第113-117页 |
| 附录C 软阂值函数 | 第117-118页 |
| 附录D “高斯-拉普拉斯”分布概率密度函数推导 | 第118-119页 |
| 附录E 最小软阈值均方回归与Huber鲁棒回归的关系 | 第119-122页 |
| 附录F 本文算法和其他跟踪算法对比结果汇总 | 第122-125页 |
| 攻读博士学位期间发表学术论文情况 | 第125-126页 |
| 致谢 | 第126-127页 |
| 作者简介 | 第127-128页 |
