| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状与进展 | 第11-16页 |
| 1.2.1 生成式跟踪算法 | 第11-13页 |
| 1.2.2 判别式跟踪算法 | 第13-15页 |
| 1.2.3 基于深度学习的跟踪算法 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 本文组织结构及章节安排 | 第17-18页 |
| 第2章 跟踪算法的理论介绍 | 第18-28页 |
| 2.1 粒子滤波算法理论基础 | 第18-21页 |
| 2.1.1 贝叶斯估计理论 | 第18-19页 |
| 2.1.2 蒙特卡洛方法 | 第19-20页 |
| 2.1.3 重要性采样 | 第20-21页 |
| 2.1.4 相似性度量 | 第21页 |
| 2.2 KCF算法原理 | 第21-25页 |
| 2.2.1 相关滤波器 | 第22页 |
| 2.2.2 核函数的基本概念 | 第22-23页 |
| 2.2.3 循环矩阵及其性质 | 第23-25页 |
| 2.3 本文用到的测试数据集及指标 | 第25-27页 |
| 2.3.1 测试数据集 | 第25-26页 |
| 2.3.2 算法衡量指标 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 不同特征模型粒子滤波在跟踪场景下的性能分析 | 第28-46页 |
| 3.1 几种常用特征的描述与提取 | 第28-34页 |
| 3.1.1 颜色特征 | 第28-30页 |
| 3.1.2 纹理特征 | 第30-33页 |
| 3.1.3 边缘特征 | 第33-34页 |
| 3.2 自适应SULBP特征模型 | 第34-36页 |
| 3.3 粒子滤波算法跟踪框架 | 第36-37页 |
| 3.4 不同特征模型粒子滤波的实验对比 | 第37-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 基于多特征融合的粒子滤波算法 | 第46-60页 |
| 4.1 多特征融合 | 第46-47页 |
| 4.2 基于粒子集最小邻接矩形面积的融合策略 | 第47-51页 |
| 4.2.1 复杂场景下不同特征的粒子集分布 | 第47-50页 |
| 4.2.2 融合策略的自适应权值分配 | 第50-51页 |
| 4.3 总体算法流程 | 第51-53页 |
| 4.4 实验结果对比与分析 | 第53-58页 |
| 4.5 本章小结 | 第58-60页 |
| 第5章 尺度自适应的KCF跟踪算法 | 第60-72页 |
| 5.1 核相关滤波器（KCF）跟踪算法 | 第60-62页 |
| 5.1.1 RLS分类器训练 | 第60-61页 |
| 5.1.2 目标位置检测 | 第61-62页 |
| 5.2 基于粒子滤波的尺度估计器 | 第62-65页 |
| 5.2.1 尺度估计器构建 | 第62-64页 |
| 5.2.2 自适应尺度估计 | 第64-65页 |
| 5.3 尺度自适应跟踪算法流程 | 第65-68页 |
| 5.4 实验结果对比与分析 | 第68-70页 |
| 5.5 本章小结 | 第70-72页 |
| 结论 | 第72-76页 |
| 参考文献 | 第76-82页 |
| 攻读硕士学位期间所发表的学术论文 | 第82-84页 |
| 致谢 | 第84页 |