| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-18页 |
| 1.2.1 前景检测模型 | 第12-15页 |
| 1.2.2 基于“Detection by Grouping”框架的跟踪算法 | 第15-18页 |
| 1.2.3 基于“Detection by Classification”框架的跟踪算法 | 第18页 |
| 1.3 主要研究内容 | 第18-19页 |
| 1.4 文章内容结构 | 第19-21页 |
| 第二章 基于自适应背景更新和 motion 平滑约束的目标前景检测 | 第21-32页 |
| 2.1 自适应背景更新方法 | 第21-24页 |
| 2.1.1 单高斯背景更新模型 | 第21页 |
| 2.1.2 混合高斯自适应背景更新模型（GMM） | 第21-24页 |
| 2.2 自适应背景更新算法性能比较 | 第24-26页 |
| 2.3 嵌入运动模板估计的自适应前景检测 | 第26-27页 |
| 2.4 嵌入平滑性 motion 约束的自适应前景检测 | 第27-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于 SURF 和局部 Mean Shift 的目标跟踪 | 第32-46页 |
| 3.1 特征点的选择 | 第32-36页 |
| 3.1.1 SURF 特征点提取 | 第33-35页 |
| 3.1.2 SURF 特征点进行目标跟踪的改进思路 | 第35-36页 |
| 3.2 Mean Shift | 第36-41页 |
| 3.2.1 Mean Shift 原理 | 第36-39页 |
| 3.2.2 Mean Shift 改进方向 | 第39-41页 |
| 3.3 基于 SURF 和局部 Mean Shift 的目标跟踪 | 第41-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于样本选择及几何约束的分块 OnlineAdaBoost 目标跟踪（P-OAB-MW） | 第46-63页 |
| 4.1 算法的引入 | 第46-48页 |
| 4.2 P-OAB-MW 算法框架 | 第48-50页 |
| 4.3 嵌入注意力选择的 Online Boosting 特征选择 | 第50-53页 |
| 4.3.1 在线 Online Boosting 特征选择 | 第50-51页 |
| 4.3.2 样本注意力选择 | 第51-53页 |
| 4.4 多子块约束(MPC) | 第53-57页 |
| 4.4.1 可靠子块检测 | 第54-55页 |
| 4.4.2 基于 MPC 的子块恢复 | 第55-57页 |
| 4.5 实验结果与分析 | 第57-62页 |
| 4.5.1 MPC 实验分析 | 第57-58页 |
| 4.5.2 目标定位分析 | 第58-62页 |
| 4.5.3 算法时间复杂度 | 第62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 结论与展望 | 第63-65页 |
| 5.1 本文结论 | 第63页 |
| 5.2 研究展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71页 |
