| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 目标跟踪研究背景及意义 | 第8-9页 |
| 1.2 目标跟踪研究现状 | 第9-13页 |
| 1.2.1 目标跟踪系统概述 | 第9-10页 |
| 1.2.2 外观模型的概述 | 第10页 |
| 1.2.3 目标表示 | 第10-11页 |
| 1.2.4 统计模型 | 第11-12页 |
| 1.2.5 视觉跟踪中挑战性因素 | 第12-13页 |
| 1.3 本文章节安排 | 第13-14页 |
| 第二章 目标跟踪的基本理论研究 | 第14-25页 |
| 2.1 粒子滤波理论 | 第14-16页 |
| 2.2 射影变换理论 | 第16-18页 |
| 2.3 稀疏表示理论 | 第18-21页 |
| 2.3.1 稀疏表示数学描述 | 第19页 |
| 2.3.2 最小角回归Least angle regression(LARS) | 第19-21页 |
| 2.4 在线字典学习理论 | 第21-24页 |
| 2.4.1 在线字典学习的研究背景 | 第21-22页 |
| 2.4.2 在线字典学习方法 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于兴趣点的稀疏表示与在线字典学习的跟踪算法 | 第25-39页 |
| 3.1 Harris角点检测基本思想 | 第25-27页 |
| 3.2 基于兴趣点的目标表示 | 第27页 |
| 3.3 基于兴趣点的目标跟踪 | 第27-31页 |
| 3.3.1 候选目标匹配目标模板 | 第28页 |
| 3.3.2 目标模板匹配候选目标 | 第28页 |
| 3.3.3 鲁棒相互匹配原则 | 第28-29页 |
| 3.3.4 在线字典学习 | 第29-31页 |
| 3.4 实验结果与分析 | 第31-39页 |
| 3.4.1 时间对比 | 第32-33页 |
| 3.4.2 综合性能对比 | 第33-39页 |
| 第四章 加权的结构稀疏表示与在线判别双字典学习跟踪算法 | 第39-55页 |
| 4.1 Adaboost算法 | 第39-40页 |
| 4.2 局部自适应加权 | 第40-41页 |
| 4.3 结构稀疏表示 | 第41-42页 |
| 4.4 更新Adaboost分类器 | 第42-43页 |
| 4.5 在线判别双字典学习 | 第43-45页 |
| 4.5.1 目标字典和判别字典初始化 | 第43-44页 |
| 4.5.2 在线目标字典和判别字典学习 | 第44-45页 |
| 4.5.3 候选目标筛选 | 第45页 |
| 4.6 实验分析 | 第45-53页 |
| 4.6.1 自我比较 | 第46-47页 |
| 4.6.2 综合对比 | 第47-53页 |
| 4.7 本章小结 | 第53-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 论文的主要工作 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第62页 |
