| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第10-14页 |
| 第一章 绪论 | 第14-26页 |
| 1.1 研究背景 | 第14-15页 |
| 1.1.1 视频监控（video surveillance） | 第14页 |
| 1.1.2 智能交通系统（intelligent transportation system） | 第14页 |
| 1.1.3 高级驾驶辅助系统（advanced driver assistance systems） | 第14-15页 |
| 1.1.4 增强现实（argument reality） | 第15页 |
| 1.1.5 人机交互（human-machine interaction） | 第15页 |
| 1.2 相关研究工作 | 第15-24页 |
| 1.2.1 基于点的跟踪 | 第15-16页 |
| 1.2.2 基于轮廓的跟踪 | 第16-18页 |
| 1.2.3 基于区域的跟踪 | 第18-24页 |
| 1.3 本文工作及组织结构 | 第24-26页 |
| 第二章 基于检测的跟踪相关技术 | 第26-34页 |
| 2.1 概述 | 第26-27页 |
| 2.2 特征表示 | 第27-29页 |
| 2.2.1 颜色特征 | 第27页 |
| 2.2.2 梯度特征 | 第27-28页 |
| 2.2.3 梯度方向直方图特征 | 第28页 |
| 2.2.4 哈尔特征 | 第28-29页 |
| 2.2.5 局部二进制特征 | 第29页 |
| 2.2.6 随机蕨特征 | 第29页 |
| 2.3 分类器 | 第29-33页 |
| 2.3.1 朴素贝叶斯分类器 | 第29-30页 |
| 2.3.2 神经网络 | 第30-31页 |
| 2.3.3 自适应提升 | 第31-32页 |
| 2.3.4 支持向量机 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于在线隐变量支持向量机的尺度自适应视觉跟踪 | 第34-60页 |
| 3.1 支持向量机理论 | 第34-41页 |
| 3.1.1 形式化描述 | 第34-36页 |
| 3.1.2 引入软间隔 | 第36-37页 |
| 3.1.3 引入核函数 | 第37-39页 |
| 3.1.4 序列最小优化算法 | 第39-41页 |
| 3.2 在线支持向量机 | 第41-44页 |
| 3.2.1 形式化描述 | 第41页 |
| 3.2.2 随机梯度下降 | 第41-42页 |
| 3.2.3 在线支持向量机 | 第42-44页 |
| 3.3 基于在线隐变量支持向量机的尺度自适应视觉跟踪 | 第44-52页 |
| 3.3.1 基于在线支持向量机的视觉跟踪 | 第44-49页 |
| 3.3.2 隐变量的引入 | 第49-51页 |
| 3.3.3 基于在线隐变量支持向量机的尺度自适应视觉跟踪 | 第51-52页 |
| 3.4 算法实现细节 | 第52-58页 |
| 3.4.1 在线支持向量机学习和判别 | 第53-54页 |
| 3.4.2 支持向量发掘和更新 | 第54-57页 |
| 3.4.3 支持向量集合增减操作 | 第57-58页 |
| 3.5 本章小结 | 第58-60页 |
| 第四章 实验及结果讨论 | 第60-70页 |
| 4.1 实验设置 | 第60-62页 |
| 4.1.1 实验环境 | 第60页 |
| 4.1.2 参数设置 | 第60页 |
| 4.1.3 衡量标准 | 第60-62页 |
| 4.2 实验结果 | 第62-63页 |
| 4.2.1 支持向量学习结果 | 第62-63页 |
| 4.2.2 与其他算法比较结果 | 第63页 |
| 4.3 实验讨论 | 第63-67页 |
| 4.4 本章小结 | 第67-70页 |
| 第五章 结论和展望 | 第70-72页 |
| 5.1 研究结论 | 第70-71页 |
| 5.2 研究展望 | 第71-72页 |
| 参考文献 | 第72-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-84页 |
