| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 本文主要工作 | 第10页 |
| 1.4 本文结构安排 | 第10-12页 |
| 2 SIFT算法介绍 | 第12-25页 |
| 2.1 SIFT特征提取算法 | 第12-19页 |
| 2.1.1 尺度空间的生成和极值检测 | 第12-15页 |
| 2.1.2 精确定位关键点 | 第15-17页 |
| 2.1.3 关键点方向分配 | 第17-18页 |
| 2.1.4 描述子生成 | 第18-19页 |
| 2.2 SIFT特征匹配算法 | 第19-21页 |
| 2.2.1 欧氏距离匹配 | 第19-20页 |
| 2.2.2 最邻近距离比 | 第20页 |
| 2.2.3 KD-树&BBF匹配优化 | 第20页 |
| 2.2.4 RANSAC消除匹配错误 | 第20-21页 |
| 2.3 经典改进算法 | 第21-23页 |
| 2.3.1 SURF | 第22页 |
| 2.3.2 PCA-SIFT | 第22-23页 |
| 2.3.3 GLOH | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 SIFT改进与目标识别应用 | 第25-43页 |
| 3.1 基于图像熵的关键点阈值自适应算法 | 第25-32页 |
| 3.1.1 算法原理及实现 | 第25-27页 |
| 3.1.2 实验分析 | 第27-32页 |
| 3.2 改进的EMD距离匹配算法 | 第32-38页 |
| 3.2.1 改进的EMD距离 | 第32-34页 |
| 3.2.2 多梯度方向SIFT特征点 | 第34-35页 |
| 3.2.3 改进的EMD距离匹配算法 | 第35页 |
| 3.2.4 实验分析 | 第35-38页 |
| 3.3 多目标识别算法 | 第38-41页 |
| 3.3.1 算法原理及实现 | 第38-40页 |
| 3.3.2 多目标识别实现效果 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 4 融合SIFT的TLD目标跟踪算法 | 第43-58页 |
| 4.1 TLD目标跟踪算法 | 第43-45页 |
| 4.2 SIFT向量与局部离群向量检测 | 第45-47页 |
| 4.2.1 SIFT向量 | 第45页 |
| 4.2.2 融合DBSCAN的SIFT向量跟踪算法 | 第45-47页 |
| 4.3 融合SIFT的TLD目标跟踪算法 | 第47-51页 |
| 4.3.1 算法原理 | 第48-50页 |
| 4.3.2 算法实现 | 第50-51页 |
| 4.4 实验分析 | 第51-57页 |
| 4.4.1 性能评价指标 | 第51页 |
| 4.4.2 实验采用数据集及实验环境配置 | 第51-53页 |
| 4.4.3 实验结果与分析 | 第53-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 结论与展望 | 第58-60页 |
| 5.1 本文工作总结 | 第58页 |
| 5.2 未来工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录 | 第66页 |