| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第9-10页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要工作内容 | 第13-16页 |
| 1.3.1 主要工作 | 第13页 |
| 1.3.2 主要创新点 | 第13-14页 |
| 1.3.3 论文结构安排 | 第14-16页 |
| 2 深度图像的获取和预处理 | 第16-26页 |
| 2.1 深度信息获取方法 | 第16页 |
| 2.2 Kinect 设备 | 第16-20页 |
| 2.2.1 Kinect 的发展史 | 第16-17页 |
| 2.2.2 Kinect 的设备构造 | 第17-18页 |
| 2.2.3 Kinect 的深度信息原理 | 第18-19页 |
| 2.2.4 Kinect 的研发接口 | 第19-20页 |
| 2.3 深度图像与颜色图像的预处理 | 第20-24页 |
| 2.3.1 深度图像校准 | 第20-23页 |
| 2.3.2 深度图像噪声滤波 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 3 在线半监督学习算法 | 第26-35页 |
| 3.1 机器学习 | 第26-27页 |
| 3.1.1 无监督学习方法 | 第26页 |
| 3.1.2 半监督学习方法 | 第26页 |
| 3.1.3 监督学习方法 | 第26-27页 |
| 3.2 P-N Learning 算法 | 第27-29页 |
| 3.3 Semi-Boost 算法 | 第29-32页 |
| 3.3.1 Online Boosting 算法 | 第29-31页 |
| 3.3.2 Semi-Boost 算法 | 第31-32页 |
| 3.4 多实例在线学习 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 基于在线半监督目标跟踪算法的研究 | 第35-54页 |
| 4.1 主流在线半监督目标跟踪检测算法 | 第35-38页 |
| 4.1.1 TLD | 第35-36页 |
| 4.1.2 Semi-Boost Tracker | 第36-37页 |
| 4.1.3 MILTracker | 第37-38页 |
| 4.2 分类器设计 | 第38-41页 |
| 4.2.1 随机局部均值 HASH 分类器 | 第38-40页 |
| 4.2.2 随机蕨分类器 | 第40-41页 |
| 4.3 基于 MILBoostng 的跟踪算法 | 第41-47页 |
| 4.3.1 基于随机局部均值 HASH 的目标跟踪算法 | 第41-44页 |
| 4.3.2 基于 HOG 的多实例在线随机蕨的目标跟踪算法 | 第44-47页 |
| 4.4 实验结果和分析 | 第47-53页 |
| 4.4.1 基于随机局部均值 HASH 的目标跟踪算法 | 第47-50页 |
| 4.4.2 基于 HOG 的多实例在线随机蕨的目标跟踪算法 | 第50-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 基于 RGBD 的在线半监督学习目标跟踪算法的研究 | 第54-69页 |
| 5.1 深度图像 | 第54-56页 |
| 5.1.1 深度图像的定义与性质 | 第54-55页 |
| 5.1.2 深度图像与颜色图像的比较 | 第55页 |
| 5.1.3 Haar-like 特征描述方法 | 第55-56页 |
| 5.1.4 HOD 特征 | 第56页 |
| 5.2 KLT 跟踪算子 | 第56-59页 |
| 5.3 基于 RGBD 的在线半监督目标跟踪检测算法 | 第59-64页 |
| 5.3.1 离线检测算子 | 第59-61页 |
| 5.3.2 在线检测算子 | 第61页 |
| 5.3.3 算法框架 | 第61-62页 |
| 5.3.4 遮挡处理 | 第62-64页 |
| 5.4 实验结果与分析 | 第64-68页 |
| 5.5 本章小结 | 第68-69页 |
| 6 总结和展望 | 第69-70页 |
| 6.1 工作总结 | 第69页 |
| 6.2 需要进一步研究的问题 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 在学研究成果 | 第74-75页 |
| 致谢 | 第75页 |
