| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-19页 |
| ·课题的研究背景与意义 | 第8-11页 |
| ·研究背景与意义 | 第8-9页 |
| ·目标跟踪算法概述及应用 | 第9-11页 |
| ·目标跟踪算法的研究现状 | 第11-18页 |
| ·目标表示方法 | 第11-13页 |
| ·目标特征选择 | 第13-15页 |
| ·目标检测方法 | 第15-16页 |
| ·目标跟踪算法选择 | 第16-18页 |
| ·本文的主要内容及章节安排 | 第18-19页 |
| 第二章 基于颜色直方图与Meanshift的运动目标跟踪算法 | 第19-36页 |
| ·Meanshift算法原理 | 第19-27页 |
| ·无参密度估计 | 第19页 |
| ·无参密度估计的方法 | 第19-20页 |
| ·核密度估计原理 | 第20-21页 |
| ·核函数选取 | 第21页 |
| ·多维空间下核密度估计理论 | 第21-23页 |
| ·密度估计与Meanshift向量 | 第23-24页 |
| ·Meanshift收敛性 | 第24-27页 |
| ·基于颜色直方图的Meanshift目标跟踪算法 | 第27-31页 |
| ·目标区域模型描述及候选区域模型描述 | 第27-28页 |
| ·模型相似性度量 | 第28-29页 |
| ·目标定位 | 第29-31页 |
| ·目标尺度的自适应更新 | 第31页 |
| ·实验结果与分析 | 第31-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 融合粒子滤波与Meanshift的运动目标跟踪算法 | 第36-54页 |
| ·粒子滤波算法理论 | 第36-44页 |
| ·粒子滤波概述 | 第36-37页 |
| ·最优贝叶斯估计 | 第37-38页 |
| ·蒙特卡洛模拟 | 第38页 |
| ·重要性采样 | 第38-40页 |
| ·序列重要性采样 | 第40-41页 |
| ·重采样 | 第41-42页 |
| ·粒子滤波算法基本流程 | 第42-44页 |
| ·粒子滤波理论在目标跟踪中的应用 | 第44-49页 |
| ·系统状态空间和动态模型的建立 | 第44页 |
| ·目标模型的建立 | 第44-45页 |
| ·粒子权重计算 | 第45-46页 |
| ·目标模板更新 | 第46页 |
| ·粒子的重采样 | 第46页 |
| ·目标定位 | 第46-47页 |
| ·融合粒子滤波与Meanshift的运动目标跟踪算法 | 第47-49页 |
| ·实验结果及分析 | 第49-52页 |
| ·本章小结 | 第52-54页 |
| 第四章 基于Bi-2DPCA的目标跟踪算法 | 第54-67页 |
| ·基于二维主成分分析的目标跟踪 | 第54-57页 |
| ·PCA的基本原理 | 第54-56页 |
| ·2DPCA基本原理 | 第56-57页 |
| ·基于Bi-2DPCA的目标跟踪 | 第57-61页 |
| ·Bi-2DPCA算法的基本原理 | 第57-59页 |
| ·基于Bi-2DPCA的图像重建及重建误差 | 第59-60页 |
| ·增量学习Bi-2DPCA | 第60页 |
| ·自适应增量因子 | 第60-61页 |
| ·算法实现流程 | 第61页 |
| ·实验结果及分析 | 第61-66页 |
| ·本章小结 | 第66-67页 |
| 第五章 智能视频系统中的运动目标跟踪模块的设计与实现 | 第67-74页 |
| ·系统模块设计与实现 | 第67-69页 |
| ·目标团块标定模块 | 第67-68页 |
| ·运动目标跟踪模块 | 第68-69页 |
| ·系统性能分析 | 第69-72页 |
| ·系统界面设计 | 第70页 |
| ·基于多线程的系统实现 | 第70-72页 |
| ·系统性能 | 第72页 |
| ·本章小结 | 第72-74页 |
| 第六章 工作总结与展望 | 第74-77页 |
| ·工作总结 | 第74-75页 |
| ·工作展望 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 攻读学位期间参于的科研项目 | 第82页 |
| 攻读学位期间发表的学术论文目录 | 第82-83页 |
| 致谢 | 第83页 |
