| 中文摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-19页 |
| ·课题研究背景与意义 | 第9-10页 |
| ·目标跟踪技术的发展与国内外研究现状 | 第10-12页 |
| ·目标跟踪技术的分类 | 第12-16页 |
| ·目标跟踪技术难点 | 第16-17页 |
| ·本文研究的内容 | 第17-19页 |
| 第2章 理论基础 | 第19-31页 |
| ·Gabor 小波与数学理论 | 第19-21页 |
| ·Gabor 小波 | 第19-20页 |
| ·数学理论 | 第20-21页 |
| ·稀疏表达的理论与优化算法 | 第21-25页 |
| ·稀疏表达的理论 | 第22-24页 |
| ·稀疏表达的优化算法 | 第24-25页 |
| ·支持向量机 SVM | 第25-30页 |
| ·SVM 的工作原理 | 第26页 |
| ·SVM 的数学模型 | 第26-29页 |
| ·核函数 | 第29-30页 |
| ·小结 | 第30-31页 |
| 第3章 基于 Gabor 特征与稀疏表达的目标跟踪算法 | 第31-43页 |
| ·引言 | 第31页 |
| ·粒子滤波 | 第31-33页 |
| ·Gabor 特征集的构造 | 第33-34页 |
| ·基于 Gabor 特征与稀疏表达的目标跟踪算法 | 第34-38页 |
| ·1跟踪器 | 第34-35页 |
| ·算法总体描述 | 第35-36页 |
| ·目标字典建立 | 第36-37页 |
| ·候选目标字典建立 | 第37页 |
| ·目标字典的更新 | 第37-38页 |
| ·实验 | 第38-42页 |
| ·实验分析 | 第40-42页 |
| ·小结 | 第42-43页 |
| 第4章 基于稀疏表达多特征融合的 SVM 跟踪算法 | 第43-54页 |
| ·引言 | 第43页 |
| ·在线 SVM | 第43-44页 |
| ·协同训练与分类器权重 | 第44-46页 |
| ·协同训练 | 第45页 |
| ·分类器权重 | 第45-46页 |
| ·算法总体描述 | 第46-50页 |
| ·字典生成与更新 | 第48-49页 |
| ·样本筛选 | 第49-50页 |
| ·实验 | 第50-53页 |
| ·实验分析 | 第52-53页 |
| ·小结 | 第53-54页 |
| 第5章 基于稀疏表达和局部表征模型的跟踪算法 | 第54-66页 |
| ·引言 | 第54-55页 |
| ·算法总体描述 | 第55-57页 |
| ·全局模板 | 第56-57页 |
| ·线性 SVM 模板在线更新 | 第57页 |
| ·局部稀疏表示模型 | 第57-62页 |
| ·遮挡问题的处理 | 第58-61页 |
| ·目标模板直方图与字典更新 | 第61页 |
| ·联合模型 | 第61-62页 |
| ·实验 | 第62-65页 |
| ·实验分析 | 第64-65页 |
| ·小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-74页 |
| 致谢 | 第74页 |