| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 目标跟踪研究的研究背景及意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 国外研究现状 | 第17页 |
| 1.2.2 国内研究现状 | 第17-18页 |
| 1.3 目标跟踪分类 | 第18-19页 |
| 1.4 目标跟踪中的技术难点 | 第19-20页 |
| 1.5 本文主要研究内容和章节安排 | 第20-22页 |
| 第二章 极限学习机与稀疏表示理论 | 第22-34页 |
| 2.1 极限学习机的理论基础 | 第22-24页 |
| 2.2 极限学习机的改进算法 | 第24-28页 |
| 2.2.1 结构增长型与结构递减型极限学习机 | 第24-25页 |
| 2.2.2 在线极限学习机 | 第25-26页 |
| 2.2.3 正则化极限学习机 | 第26-27页 |
| 2.2.4 核极限学习机 | 第27页 |
| 2.2.5 极限学习机小结 | 第27-28页 |
| 2.3 稀疏表示理论 | 第28-33页 |
| 2.3.1 稀疏表示的数学模型 | 第28-30页 |
| 2.3.2 稀疏表示的求解算法 | 第30-32页 |
| 2.3.3 稀疏表示的应用 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于分层极限学习机和局部稀疏模型的视觉跟踪 | 第34-52页 |
| 3.1 粒子滤波理论 | 第34-38页 |
| 3.1.1 贝叶斯滤波理论 | 第34-36页 |
| 3.1.2 粒子滤波算法 | 第36-38页 |
| 3.2 基于分层极限学习机和局部稀疏模型的视觉跟踪算法 | 第38-44页 |
| 3.2.1 分层极限学习机 | 第38-40页 |
| 3.2.2 分类器的训练与更新 | 第40-41页 |
| 3.2.3 自适应结构稀疏外貌模型 | 第41-43页 |
| 3.2.4 模板更新 | 第43-44页 |
| 3.3 算法具体步骤 | 第44-45页 |
| 3.4 实验结果与分析 | 第45-51页 |
| 3.4.1 定量对比 | 第45-48页 |
| 3.4.2 定性比较 | 第48-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 基于极限学习机和Boosting多核学习的目标跟踪 | 第52-67页 |
| 4.1 Boosting算法和多核学习 | 第52-56页 |
| 4.1.1 Boosting算法 | 第53-54页 |
| 4.1.2 核函数 | 第54-55页 |
| 4.1.3 多核学习 | 第55-56页 |
| 4.2 基于极限学习机和Boosting多核学习的目标跟踪算法 | 第56-61页 |
| 4.2.1 确定性MKB | 第56-59页 |
| 4.2.2 核函数采样MKB | 第59页 |
| 4.2.3 算法具体步骤 | 第59-61页 |
| 4.3 实验结果与分析 | 第61-66页 |
| 4.3.1 定量对比 | 第62-63页 |
| 4.3.2 定性比较 | 第63-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 工作总结 | 第67-68页 |
| 5.2 未来展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第75-76页 |
