| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 跟踪算法在遮挡中存在的问题 | 第15-16页 |
| 1.4 本文主要的研究工作以及论文结构安排 | 第16-18页 |
| 1.4.1 本文主要研究工作 | 第16页 |
| 1.4.2 论文结构安排 | 第16-18页 |
| 第2章 深度学习与稀疏表示理论 | 第18-32页 |
| 2.1 引言 | 第18页 |
| 2.2 深度学习理论 | 第18-25页 |
| 2.2.1 栈式自动编码器（SAE） | 第19-21页 |
| 2.2.2 限制玻尔兹曼机（RBM） | 第21-23页 |
| 2.2.3 深度置信网络（DBN） | 第23-24页 |
| 2.2.4 卷积神经网络（CNN） | 第24-25页 |
| 2.3 稀疏表示的概念 | 第25-30页 |
| 2.3.1 稀疏信号的重构算法 | 第26-30页 |
| 2.3.2 稀疏字典的构造方法 | 第30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 基于栈式稀疏自编码器的目标跟踪算法 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 粒子滤波理论 | 第32-33页 |
| 3.3 SSAE网络模型 | 第33-34页 |
| 3.4 跟踪算法的实现 | 第34-38页 |
| 3.4.1 跟踪模型的预训练 | 第36-37页 |
| 3.4.2 在线跟踪 | 第37-38页 |
| 3.5 实验结果及分析 | 第38-45页 |
| 3.5.1 实验参数设置 | 第38-39页 |
| 3.5.2 与其他算法的定性比较 | 第39-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 基于分块稀疏表示与HSV颜色直方图的跟踪算法 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 跟踪算法的描述 | 第46-47页 |
| 4.3 目标的特征提取 | 第47-50页 |
| 4.3.1 目标区域分块 | 第47-48页 |
| 4.3.2 构建稀疏字典 | 第48页 |
| 4.3.3 图像信息的稀疏重构 | 第48页 |
| 4.3.4 HSV直方图模型与融合策略 | 第48-50页 |
| 4.4 遮挡处理与模型更新 | 第50-51页 |
| 4.5 实验结果及分析 | 第51-57页 |
| 4.5.1 实验参数设置 | 第51页 |
| 4.5.2 与其他算法的定性比较 | 第51-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 目标跟踪算法评估系统及平台实现 | 第58-71页 |
| 5.1 引言 | 第58页 |
| 5.2 目标跟踪算法的评估指标体系 | 第58-60页 |
| 5.2.1 中心位置偏移误差 | 第58-59页 |
| 5.2.2 基于区域统计的跟踪成功率 | 第59-60页 |
| 5.3 目标跟踪算法评估系统平台 | 第60-62页 |
| 5.4 本文跟踪算法的评估 | 第62-69页 |
| 5.4.1 基于栈式稀疏自编码器目标跟踪算法的定量评估 | 第62-65页 |
| 5.4.2 基于分块稀疏表示与HSV颜色直方图跟踪算法的定量评估 | 第65-68页 |
| 5.4.3 两种抗遮挡跟踪算法之间的比较 | 第68-69页 |
| 5.5 本章小结 | 第69-71页 |
| 第6章 视觉云台跟踪系统 | 第71-84页 |
| 6.1 引言 | 第71页 |
| 6.2 视觉云台系统 | 第71-77页 |
| 6.2.1 系统的硬件组成 | 第71-73页 |
| 6.2.2 系统的软件设计 | 第73-76页 |
| 6.2.3 视觉云台跟踪的实现 | 第76-77页 |
| 6.3 云台的跟踪结果与讨论 | 第77-83页 |
| 6.3.1 云台跟踪的定性评估 | 第77-80页 |
| 6.3.2 云台跟踪的定量评估 | 第80-83页 |
| 6.4 本章小结 | 第83-84页 |
| 总结与展望 | 第84-86页 |
| 参考文献 | 第86-92页 |
| 攻读学位期间发表论文与研究成果清单 | 第92-93页 |
| 致谢 | 第93页 |
