基于硬阈值稀疏表示的鲁棒目标追踪方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 课题研究的背景和意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-19页 |
| 1.2.1 基于传统算法的目标追踪 | 第14-17页 |
| 1.2.2 基于深度学习的目标追踪 | 第17-19页 |
| 1.3 本文主要研究内容 | 第19-20页 |
| 1.4 本文章节安排 | 第20-22页 |
| 第二章 基于HTP的稀疏表示 | 第22-39页 |
| 2.1 引言 | 第22页 |
| 2.2 稀疏表示理论 | 第22-24页 |
| 2.3 字典学习 | 第24-27页 |
| 2.3.1 字典学习理论 | 第24页 |
| 2.3.2 K-SVD字典学习 | 第24-27页 |
| 2.4 HTP稀疏表示算法 | 第27-31页 |
| 2.4.1 迭代硬阈值算法原理 | 第27-29页 |
| 2.4.2 压缩采样匹配追踪算法原理 | 第29-30页 |
| 2.4.3 HTP算法 | 第30-31页 |
| 2.5 稀疏表示的应用 | 第31-36页 |
| 2.5.1 稀疏表示的图像恢复和去噪 | 第31-32页 |
| 2.5.2 稀疏表示超高分辨率重建 | 第32页 |
| 2.5.3 稀疏表示的图片分类 | 第32-36页 |
| 2.6 简述稀疏表示与深度学习关系 | 第36-38页 |
| 2.7 本章小结 | 第38-39页 |
| 第三章 基于HTP稀疏表示的目标追踪方法 | 第39-47页 |
| 3.1 引言 | 第39页 |
| 3.2 基于HTP的稀疏表示外观模型 | 第39-40页 |
| 3.3 基于HTP稀疏表示的判别分类器 | 第40-42页 |
| 3.3.1 模板初始化 | 第40-41页 |
| 3.3.2 特征选择 | 第41-42页 |
| 3.3.3 置信度计算 | 第42页 |
| 3.4 基于HTP稀疏表示的生成模型 | 第42-44页 |
| 3.4.1 遮挡处理 | 第43-44页 |
| 3.4.2 相似度函数 | 第44页 |
| 3.5 协作模型 | 第44-45页 |
| 3.6 更新方案 | 第45-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第四章 仿真实验与结果分析 | 第47-54页 |
| 4.1 引言 | 第47页 |
| 4.2 HTP实时性分析 | 第47页 |
| 4.3 追踪算法定性分析 | 第47-51页 |
| 4.4 追踪算法定量分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 工作总结 | 第54-55页 |
| 工作展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读学位期间的科研成果 | 第60-62页 |
| 致谢 | 第62页 |
