| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 视觉目标跟踪的研究背景和意义 | 第12-14页 |
| 1.2 视觉目标跟踪的国内外研究现状 | 第14-21页 |
| 1.2.1 基于视觉的运动目标跟踪关键技术和研究热点 | 第17-21页 |
| 1.2.2 视觉跟踪存在的问题和挑战 | 第21页 |
| 1.3 本文主要研究内容 | 第21-22页 |
| 1.4 本论文的结构安排 | 第22-24页 |
| 第2章 记忆梯度追踪压缩感知图像重构算法 | 第24-42页 |
| 2.1 引言 | 第24-25页 |
| 2.2 压缩感知理论基础 | 第25-31页 |
| 2.2.1 压缩感知中的最优化问题 | 第26-29页 |
| 2.2.2 匹配追踪类方法求解 | 第29-31页 |
| 2.2.3 方向追踪类方法求解 | 第31页 |
| 2.3 记忆梯度追踪法 | 第31-35页 |
| 2.3.1 贪婪匹配追踪原子选择策略 | 第31-32页 |
| 2.3.2 非单调记忆梯度算法 | 第32-34页 |
| 2.3.3 记忆梯度追踪法及流程 | 第34-35页 |
| 2.4 仿真实验结果和分析 | 第35-40页 |
| 2.4.1 一维稀疏信号重构性能的比较 | 第36-37页 |
| 2.4.2 不同算法对2维图像信号的处理对比 | 第37-40页 |
| 2.5 本章小结 | 第40-42页 |
| 第3章 基于记忆梯度追踪的高效稀疏跟踪算法 | 第42-64页 |
| 3.1 相关理论基础 | 第43-52页 |
| 3.1.1 粒子滤波理论 | 第43-47页 |
| 3.1.2 稀疏表示目标跟踪理论基础 | 第47-50页 |
| 3.1.3 区域协方差描述子 | 第50-52页 |
| 3.2 基于记忆梯度追踪的稀疏跟踪算法 | 第52-55页 |
| 3.2.1 自适应比例无迹变换 | 第52-54页 |
| 3.2.2 基于记忆梯度追踪的高效目标跟踪算法 | 第54页 |
| 3.2.3 基于尺度不变的模板更新策略 | 第54-55页 |
| 3.3 实验结果和分析 | 第55-62页 |
| 3.3.1 实验说明 | 第55-56页 |
| 3.3.2 实验结果 | 第56-62页 |
| 3.4 本章小结 | 第62-64页 |
| 第4章 基于JBLD度量的快速协方差跟踪算法 | 第64-76页 |
| 4.1 研究背景 | 第64-65页 |
| 4.2 区域协方差描述子及JBLD相似性度量 | 第65-67页 |
| 4.2.1 区域协方差描述子 | 第65页 |
| 4.2.2 区域协方差的Jensen-Bregman LogDet Divergence最佳相似度匹配 | 第65-67页 |
| 4.3 基于快速记忆梯度算法的协方差跟踪器优化 | 第67-70页 |
| 4.3.1 记忆梯度优化算法 | 第68页 |
| 4.3.2 快速记忆梯度优化跟踪算法 | 第68-70页 |
| 4.3.3 算法性能分析 | 第70页 |
| 4.4 实验结果和分析 | 第70-75页 |
| 4.4.1 多维协方差矩阵仿真数据实验 | 第70-71页 |
| 4.4.2 标准评测库实验 | 第71-75页 |
| 4.5 本章小结 | 第75-76页 |
| 第5章 基于在线判别分布域特征选择的鲁棒跟踪算法 | 第76-92页 |
| 5.1 引言 | 第76-77页 |
| 5.2 相关工作 | 第77-82页 |
| 5.2.1 分布域描述算子 | 第77-78页 |
| 5.2.2 基于平均移位柱状图和群编码的DFs近似法 | 第78-80页 |
| 5.2.3 基于检测跟踪的判别式模型 | 第80-82页 |
| 5.3 增强在线判别式特征选择跟踪算法 | 第82-85页 |
| 5.3.1 在线判别式分布域特征选择 | 第82-84页 |
| 5.3.2 增强的在线判别式分布域特征选择跟踪算法 | 第84-85页 |
| 5.4 实验结果和分析 | 第85-89页 |
| 5.4.1 实验说明 | 第85页 |
| 5.4.2 实验结果 | 第85-89页 |
| 5.5 本文提出的三种跟踪算法比较 | 第89-91页 |
| 5.6 本章小结 | 第91-92页 |
| 第6章 总结与展望 | 第92-96页 |
| 6.1 工作总结 | 第92-93页 |
| 6.2 研究工作展望 | 第93-96页 |
| 参考文献 | 第96-110页 |
| 致谢 | 第110-112页 |
| 攻读学位期间发表论文情况 | 第112页 |
