| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 课题研究背景及意义 | 第14-15页 |
| 1.2 国内外研究概况 | 第15-16页 |
| 1.3 本文主要工作和结构 | 第16-18页 |
| 1.3.1 论文的主要工作 | 第16-17页 |
| 1.3.2 论文的结构 | 第17-18页 |
| 第二章 机载视频运动目标跟踪综述 | 第18-26页 |
| 2.1 目标特征与外观模型 | 第18-20页 |
| 2.1.1 目标特征 | 第18-19页 |
| 2.1.2 目标外观模型 | 第19-20页 |
| 2.2 目标跟踪方法简介 | 第20-23页 |
| 2.3 机载视频目标跟踪特点与难点 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于在线随机森林的机载视频目标跟踪 | 第26-45页 |
| 3.1 引言 | 第26页 |
| 3.2 在线随机森林分类器 | 第26-32页 |
| 3.2.1 袋装法取样 | 第27-28页 |
| 3.2.2 随机决策树的生长 | 第28-30页 |
| 3.2.3 在线随机森林的构建 | 第30-32页 |
| 3.3 基于粒子滤波的跟踪算法 | 第32-35页 |
| 3.3.1 粒子滤波 | 第32-33页 |
| 3.3.2 粒子退化问题与重采样 | 第33-34页 |
| 3.3.3 粒子滤波算法 | 第34-35页 |
| 3.4 基于在线随机森林和粒子滤波跟踪框架的机载视频目标跟踪 | 第35-41页 |
| 3.4.1 目标特征选择 | 第35-37页 |
| 3.4.2 在线随机森林分类器构建 | 第37页 |
| 3.4.3 粒子状态空间与转移模型 | 第37-38页 |
| 3.4.4 目标似然性及粒子权值计算 | 第38-39页 |
| 3.4.5 目标定位与分类器更新 | 第39-40页 |
| 3.4.6 跟踪框架 | 第40-41页 |
| 3.5 实验结果与分析 | 第41-44页 |
| 3.6 小结 | 第44-45页 |
| 第四章 基于STC和卡尔曼滤波的机载视频目标跟踪 | 第45-63页 |
| 4.1 引言 | 第45页 |
| 4.2 时空语义(STC)学习算法 | 第45-50页 |
| 4.2.1 STC简介 | 第45-46页 |
| 4.2.2 时空模型 | 第46-49页 |
| 4.2.3 基于STC的跟踪算法 | 第49-50页 |
| 4.3 卡尔曼滤波简介 | 第50-52页 |
| 4.4 基于STC优化算法和卡尔曼滤波的机载视频运动目标跟踪算法 | 第52-59页 |
| 4.4.1 STC算法跟踪 | 第52-53页 |
| 4.4.2 卡尔曼预测过程 | 第53-55页 |
| 4.4.3 目标位置确定 | 第55-56页 |
| 4.4.4 算法步骤 | 第56-57页 |
| 4.4.5 实验结果与分析 | 第57-59页 |
| 4.5 本文算法总结及实验分析 | 第59-61页 |
| 4.6 小结 | 第61-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 本文工作总结 | 第63页 |
| 5.2 未来工作与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第69-70页 |