| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 本文主要工作 | 第10-11页 |
| 1.3 章节安排 | 第11-13页 |
| 第二章 目标跟踪和检测方法 | 第13-26页 |
| 2.1 跟踪方法 | 第13-23页 |
| 2.1.1 基于特征点聚类的跟踪方法 | 第13-14页 |
| 2.1.2 基于建模的跟踪方法 | 第14-16页 |
| 2.1.3 基于光流的跟踪方法 | 第16-18页 |
| 2.1.4 Mean Shift | 第18-19页 |
| 2.1.5 粒子滤波 | 第19-23页 |
| 2.2 机器学习方法 | 第23-25页 |
| 2.2.1 AdaBoost | 第24页 |
| 2.2.2 SVM | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 TLD框架和Ferns分类器 | 第26-41页 |
| 3.1 TLD框架组成 | 第27-28页 |
| 3.2 P-N学习部分 | 第28-35页 |
| 3.2.1 P-N学习公式化 | 第29-30页 |
| 3.2.2 稳定性分析 | 第30-33页 |
| 3.2.3 experts实现 | 第33-35页 |
| 3.3 Ferns分类器 | 第35-40页 |
| 3.3.1 Ferns的实现 | 第36-39页 |
| 3.3.2 Ferns与random forest | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于粒子滤波的TLD跟踪模型 | 第41-53页 |
| 4.1 预备条件 | 第41-42页 |
| 4.2 目标模型 | 第42-43页 |
| 4.3 目标检测器 | 第43-47页 |
| 4.3.1 图像块方差 | 第44页 |
| 4.3.2 集成分类器 | 第44-46页 |
| 4.3.3 最近邻分类器 | 第46-47页 |
| 4.4 基于颜色直方图的粒子滤波器 | 第47-50页 |
| 4.4.1 颜色直方图 | 第47-48页 |
| 4.4.2 粒子滤波器粒子状态参数 | 第48页 |
| 4.4.3 粒子初始化 | 第48-49页 |
| 4.4.4 粒子预测 | 第49页 |
| 4.4.5 粒子权重计算 | 第49-50页 |
| 4.5 整合器 | 第50页 |
| 4.6 P-N学习部分 | 第50-52页 |
| 4.6.1 初始化 | 第51页 |
| 4.6.2 P-expert | 第51-52页 |
| 4.6.3 N-expert | 第52页 |
| 4.7 本章小结 | 第52-53页 |
| 第五章 实验结果与分析 | 第53-64页 |
| 5.1 加入粒子滤波的TLD跟踪实验 | 第53-58页 |
| 5.2 加入分块算法的TLD跟踪实验 | 第58-60页 |
| 5.3 TLD多目标跟踪实验 | 第60-61页 |
| 5.4 TLD目标初始化实验 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结和展望 | 第64-66页 |
| 6.1 本文总结 | 第64-65页 |
| 6.2 今后工作和展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士学位期间已发表或录用的论文 | 第70-72页 |