| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-13页 |
| ·课题研究背景和意义 | 第8页 |
| ·国内外研究现状 | 第8-10页 |
| ·论文相关技术叙述 | 第10-11页 |
| ·技术难点 | 第11页 |
| ·本文的主要工作 | 第11-13页 |
| 2 基于空间金字塔联合Online Adaboost的跟踪方法 | 第13-39页 |
| ·Bag of Words | 第13-16页 |
| ·特征提取 | 第16-19页 |
| ·SIFT(Scale Invariant Feature Transform) | 第16-19页 |
| ·空间金字塔 | 第19-23页 |
| ·综述 | 第19-21页 |
| ·空间金字塔匹配 | 第21-23页 |
| ·使用机器学习(Online Adaboost)分析特征数据 | 第23-25页 |
| ·增量PCA(IVT) | 第25-27页 |
| ·我们的方法的整个过程 | 第27-31页 |
| ·方法综述 | 第27-28页 |
| ·实验过程 | 第28-31页 |
| ·实验结果 | 第31-37页 |
| ·本章总结 | 第37-39页 |
| 3 基于PSIFT和PHOG的跟踪方法 | 第39-50页 |
| ·方向梯度直方图 | 第39-42页 |
| ·PHOG(Pyramid of Histograms of Orientation Gradients) | 第42-43页 |
| ·基于PSIFT和PHOG特征的鲁棒性目标跟踪 | 第43-45页 |
| ·实验结果和分析 | 第45-49页 |
| ·本章总结 | 第49-50页 |
| 4 基于多核学习和特征联合的目标跟踪 | 第50-67页 |
| ·核方法 | 第50-51页 |
| ·多核函数的概念 | 第51-52页 |
| ·核方法的概述 | 第51页 |
| ·核的定义 | 第51-52页 |
| ·基于支持向量机的多核方法 | 第52-56页 |
| ·单核的支持向量机(SVM) | 第52-53页 |
| ·多核的支持向量机(SVM) | 第53-56页 |
| ·我们的基于多核学习的目标跟踪方法 | 第56-60页 |
| ·具体方法用到的特征和核函数 | 第56-58页 |
| ·在线更新过程 | 第58-59页 |
| ·整个跟踪框架 | 第59-60页 |
| ·实验结果和分析 | 第60-65页 |
| ·本章总结 | 第65-67页 |
| 5 总结与展望 | 第67-69页 |
| ·本文工作总结 | 第67页 |
| ·未来工作展望 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间发表学术论文情况 | 第74-75页 |
| 致谢 | 第75-77页 |
