| 摘要 | 第9-10页 |
| Abstract | 第10-11页 |
| 1 绪论 | 第12-16页 |
| 1.1 研究目的与意义 | 第12页 |
| 1.2 目标跟踪技术研究现状 | 第12-14页 |
| 1.3 单目标跟踪难点与创新 | 第14-15页 |
| 1.4 本文的工作及安排 | 第15-16页 |
| 2 Tracking-Learning-Detection模型 | 第16-32页 |
| 2.1 目标跟踪 | 第16页 |
| 2.2 Median-Flow跟踪算法 | 第16-20页 |
| 2.2.1 光流法 | 第17-18页 |
| 2.2.2 Lucas-Kanade光流法 | 第18-19页 |
| 2.2.3 前向-后向误差 | 第19页 |
| 2.2.4 Median-Flow工作流程 | 第19-20页 |
| 2.3 P-N学习 | 第20-23页 |
| 2.3.1 P-N学习流程 | 第20-21页 |
| 2.3.2 稳定性分析 | 第21-23页 |
| 2.3.3 P-N学习具体功能分析 | 第23页 |
| 2.4 检测器模块及其工作流程 | 第23-26页 |
| 2.4.1 目标检测 | 第24页 |
| 2.4.2 图像元方差分类器 | 第24页 |
| 2.4.3 集成分类器 | 第24-25页 |
| 2.4.4 目标模型 | 第25-26页 |
| 2.5 TLD总体流程 | 第26-27页 |
| 2.6 实验分析 | 第27-30页 |
| 2.7 本章小结 | 第30-32页 |
| 3 改进的TLD算法的理论基础 | 第32-41页 |
| 3.1 基于外观模型的跟踪算法 | 第32-33页 |
| 3.1.1 生成跟踪算法 | 第32页 |
| 3.1.2 判别跟踪算法 | 第32-33页 |
| 3.2 压缩感知理论 | 第33-34页 |
| 3.2.1 随机映射 | 第33页 |
| 3.2.2 随机测量矩阵 | 第33-34页 |
| 3.3 实时压缩跟踪 | 第34-37页 |
| 3.3.1 分类器的构建与更新 | 第34-35页 |
| 3.3.2 具体流程 | 第35-36页 |
| 3.3.3 低维压缩特征的分析 | 第36页 |
| 3.3.4 高效的降维方法 | 第36-37页 |
| 3.4 实验结果与分析 | 第37-39页 |
| 3.4.1 实验分析 | 第37-38页 |
| 3.4.2 实验结果 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 4 改进的TLD跟踪算法 | 第41-56页 |
| 4.1 TLD-SR跟踪模型 | 第41-45页 |
| 4.1.1 TLD-SR算法流程 | 第41-42页 |
| 4.1.2 基于压缩存储的级联分类器 | 第42-43页 |
| 4.1.3 基于压缩存储的P-N学习 | 第43-44页 |
| 4.1.4 图像去噪 | 第44-45页 |
| 4.2 在线训练跟踪器 | 第45-47页 |
| 4.2.1 跟踪器训练流程 | 第45-46页 |
| 4.2.2 跟踪器在线训练原理 | 第46-47页 |
| 4.3 TLD-SR跟踪算法实验结果及分析 | 第47-52页 |
| 4.3.1 实验结果 | 第47-52页 |
| 4.4 跟踪器在线训练算法实验结果及分析 | 第52-55页 |
| 4.4.1 实验结果 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 本文工作总结 | 第56页 |
| 5.2 未来研究展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |