稀疏表示在目标追踪中的应用研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究工作的背景与意义 | 第10-12页 |
| 1.2 目标追踪的国内外研究现状 | 第12-17页 |
| 1.2.1 在线学习方法 | 第12-13页 |
| 1.2.2 稀疏表示方法 | 第13-17页 |
| 1.3 本文的主要贡献与创新 | 第17页 |
| 1.4 本论文的结构安排 | 第17-18页 |
| 第二章 稀疏表示目标追踪的基本理论 | 第18-24页 |
| 2.1 稀疏表示基本知识 | 第18-19页 |
| 2.1.1 稀疏表示基本模型 | 第18-19页 |
| 2.1.2 l_0和l_1问题的等价条件 | 第19页 |
| 2.2 粒子滤波 | 第19-23页 |
| 2.2.1 粒子滤波理论基础 | 第19-20页 |
| 2.2.2 粒子滤波算法框架 | 第20-23页 |
| 2.3 本章总结 | 第23-24页 |
| 第三章 视频目标追踪介绍 | 第24-31页 |
| 3.1 噪声影响 | 第24-27页 |
| 3.1.1 高斯噪声和拉普拉斯噪声 | 第24-26页 |
| 3.1.2 噪声选择与模型建立的关系 | 第26-27页 |
| 3.2 模板的选择与更新 | 第27-29页 |
| 3.2.1 稀疏表示框架下的模板选择和更新 | 第28页 |
| 3.2.2 增量学习的模板更新 | 第28-29页 |
| 3.3 追踪性能评价方法 | 第29-30页 |
| 3.4 本章总结 | 第30-31页 |
| 第四章 稀疏表示目标追踪模型 | 第31-55页 |
| 4.1 自适应同时稀疏表示的鲁棒性目标追踪 | 第31-44页 |
| 4.1.1 同时稀疏Lp,q模型 | 第31-34页 |
| 4.1.2 模板更新 | 第34-35页 |
| 4.1.3 追踪算法 | 第35-36页 |
| 4.1.4 实验结果 | 第36-42页 |
| 4.1.5 模型分析 | 第42-44页 |
| 4.2 自适应稀疏表示的快速目标追踪 | 第44-54页 |
| 4.2.1 自适应稀疏L_p模型的建立和求解 | 第44-45页 |
| 4.2.2 自适应稀疏L_p模型的追踪算法 | 第45-46页 |
| 4.2.3 实验结果 | 第46-52页 |
| 4.2.4 模型分析 | 第52-54页 |
| 4.3 本章总结 | 第54-55页 |
| 第五章 全文总结与展望 | 第55-57页 |
| 5.1 全文总结 | 第55页 |
| 5.2 后续工作展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间取得的成果 | 第63-64页 |
