基于度量学习的鲁棒视觉跟踪算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-19页 |
| 1.1 课题背景及研究的目的和意义 | 第8页 |
| 1.2 国内外研究现状及分析 | 第8-17页 |
| 1.2.1 流行跟踪算法 | 第8-13页 |
| 1.2.2 目标描述 | 第13-15页 |
| 1.2.3 动态分析 | 第15-17页 |
| 1.3 本文的主要研究内容 | 第17-19页 |
| 第2章 距离度量学习方法概述 | 第19-25页 |
| 2.1 引言 | 第19-20页 |
| 2.2 常见距离度量学习方法 | 第20-24页 |
| 2.2.1 邻域关系 | 第20-21页 |
| 2.2.2 邻近元素分析 | 第21-22页 |
| 2.2.3 大边界最近邻 | 第22-23页 |
| 2.2.4 子空间与距离度量学习 | 第23页 |
| 2.2.5 信息论与距离度量学习 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 在线度量学习视觉跟踪算法 | 第25-43页 |
| 3.1 引言 | 第25-26页 |
| 3.2 尺度不变特征转换 | 第26-28页 |
| 3.2.1 特征点位置确定 | 第26-27页 |
| 3.2.2 描述子构造 | 第27页 |
| 3.2.3 稠密尺度不变特征转换 | 第27-28页 |
| 3.3 距离度量学习下的分类器构建 | 第28-30页 |
| 3.4 随机主成分特征降维算法 | 第30-34页 |
| 3.4.1 主成分分析法和随机映射 | 第31-32页 |
| 3.4.2 随机主成分特征降维 | 第32-34页 |
| 3.5 自适应模板更新 | 第34-35页 |
| 3.6 实验 | 第35-41页 |
| 3.6.1 评价标准 | 第35-37页 |
| 3.6.2 实验结果比较 | 第37-41页 |
| 3.7 本章小结 | 第41-43页 |
| 第4章 背景辅助自适应视觉跟踪算法 | 第43-54页 |
| 4.1 引言 | 第43-44页 |
| 4.2 方向梯度直方图 | 第44-45页 |
| 4.3 算法组成 | 第45-48页 |
| 4.3.1 基于相关滤波器的分类器构建 | 第45-46页 |
| 4.3.2 模板提取与更新 | 第46页 |
| 4.3.3 尺度估计 | 第46-47页 |
| 4.3.4 遮挡检测器 | 第47-48页 |
| 4.4 实验 | 第48-52页 |
| 4.4.1 实验参数设计 | 第48页 |
| 4.4.2 实验结果评估 | 第48-52页 |
| 4.5 本章小结 | 第52-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-66页 |
| 致谢 | 第66页 |
