| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-18页 |
| ·研究背景及意义 | 第11-12页 |
| ·研究现状 | 第12-16页 |
| ·视频目标检测 | 第12-14页 |
| ·视频目标跟踪 | 第14-16页 |
| ·论文的主要工作和章节安排 | 第16-18页 |
| ·主要工作 | 第16-17页 |
| ·章节安排 | 第17-18页 |
| 第二章 基于形状匹配的目标检测方法 | 第18-26页 |
| ·引言 | 第18页 |
| ·轮廓段网(CSN, Contour Segment NetWork) | 第18-19页 |
| ·k 邻接轮廓线段组特征(kAS, k Adjacent Segments) | 第19-20页 |
| ·基于 kAS 的目标检测算法 | 第20-25页 |
| ·训练阶段 | 第21页 |
| ·检测阶段 | 第21-22页 |
| ·实验结果与分析 | 第22-25页 |
| ·小结 | 第25-26页 |
| 第三章 基于 RVM Mean Shift 的目标跟踪算法 | 第26-42页 |
| ·引言 | 第26页 |
| ·目标跟踪中的 Mean Shift 算法 | 第26-31页 |
| ·Mean Shift 的基本原理 | 第26-28页 |
| ·Mean Shift 目标跟踪算法 | 第28-31页 |
| ·基于 RVM Mean Shift 的目标跟踪算法 | 第31-38页 |
| ·自适应阈值的双向投影 | 第32-33页 |
| ·相关向量积(Relevance Vector Machine, RVM) | 第33-34页 |
| ·特征提取与 RVM 分类 | 第34-36页 |
| ·特征提取 | 第34-35页 |
| ·超平面树 | 第35-36页 |
| ·RVM Mean Shift 算法 | 第36-37页 |
| ·遮挡问题的处理 | 第37-38页 |
| ·实验结果与分析 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 基于 Mean Shift 与目标检测的跟踪算法 | 第42-64页 |
| ·引言 | 第42页 |
| ·随机蕨丛算法 | 第42-47页 |
| ·基本原理 | 第42-43页 |
| ·蕨特征 | 第43-44页 |
| ·训练阶段 | 第44-45页 |
| ·测试阶段 | 第45页 |
| ·例子 | 第45-47页 |
| ·基于 Mean Shift 和目标检测的跟踪算法 | 第47-59页 |
| ·图像小块 | 第48-49页 |
| ·改进的二类随机蕨丛分类器 | 第49-53页 |
| ·提取样本 | 第50-52页 |
| ·更新阶段 | 第52-53页 |
| ·改进的最近邻分类器 | 第53-57页 |
| ·样本描述 | 第53-54页 |
| ·决策规则 | 第54-56页 |
| ·更新阶段 | 第56-57页 |
| ·样本聚类与结果融合 | 第57-59页 |
| ·实验结果及分析 | 第59-63页 |
| ·本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 本文内容与总结 | 第64-65页 |
| 后续工作与展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 附件 | 第72页 |
