| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·论文的研究背景和意义 | 第9-10页 |
| ·目标跟踪的研究现状 | 第10-13页 |
| ·国内外的研究现状 | 第10-12页 |
| ·研究难点 | 第12-13页 |
| ·论文的研究内容 | 第13页 |
| ·论文的组织结构 | 第13-15页 |
| 第二章 基础知识 | 第15-23页 |
| ·引言 | 第15-16页 |
| ·基于分布域的跟踪 | 第16-17页 |
| ·基于Mean Shift的跟踪 | 第17-20页 |
| ·基本的Mean Shift | 第17-18页 |
| ·Mean Shift跟踪算法 | 第18-20页 |
| ·基于多示例学习的跟踪 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 融合多特征的加权分布跟踪算法 | 第23-39页 |
| ·引言 | 第23-24页 |
| ·本章研究方法 | 第24-28页 |
| ·建立联合分布域模型 | 第25-26页 |
| ·模型匹配 | 第26-27页 |
| ·模型更新 | 第27页 |
| ·算法描述 | 第27-28页 |
| ·实验分析及结果 | 第28-38页 |
| ·实验数据集及实验设置 | 第28-30页 |
| ·实验一：MWDF与DF以及多特征DF比较 | 第30-32页 |
| ·实验二：MWDF与五种最新跟踪算法的比较 | 第32-35页 |
| ·实验三：自适应更新模型参数分析 | 第35-37页 |
| ·实验分析 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 基于集成多示例学习的Mean Shift跟踪算法 | 第39-56页 |
| ·引言 | 第39-40页 |
| ·本章研究方法 | 第40-47页 |
| ·集成多示例学习跟踪 | 第40-44页 |
| ·结合RGB和LBP的Mean Shift跟踪算法 | 第44-45页 |
| ·MEMIL算法 | 第45-47页 |
| ·实验结果及分析 | 第47-55页 |
| ·实验数据集及实验设置 | 第47页 |
| ·实验一：三种算法对比 | 第47-50页 |
| ·实验二：MEMIL和CT，PLS，ODFS的对比 | 第50-54页 |
| ·实验分析 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| ·总结 | 第56页 |
| ·展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间的研究成果 | 第63-64页 |
