| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-15页 |
| ·研究背景及意义 | 第11页 |
| ·目标跟踪算法的研究现状 | 第11-13页 |
| ·目标跟踪算法的难点 | 第11-12页 |
| ·目标跟踪算法研究现状 | 第12-13页 |
| ·目标跟踪算法评价标准 | 第13页 |
| ·主要的工作和结构安排 | 第13-15页 |
| 第二章 现有目标跟踪算法介绍 | 第15-31页 |
| ·基于状态估计的跟踪算法 | 第15-18页 |
| ·状态估计跟踪算法的特征 | 第16页 |
| ·卡尔曼滤波器 | 第16-17页 |
| ·粒子滤波器 | 第17-18页 |
| ·Mean Shift 跟踪算法 | 第18-21页 |
| ·Mean Shift 跟踪算法的特征 | 第18页 |
| ·Mean Shift 算法 | 第18-19页 |
| ·特征值的概率密度估计 | 第19-20页 |
| ·相似性度量 | 第20-21页 |
| ·Mean Shift 跟踪算法的发展 | 第21页 |
| ·基于在线分类器学习的跟踪算法 | 第21-29页 |
| ·在线分类器学习的跟踪算法的特征 | 第21-25页 |
| ·Online-Adboost 跟踪算法 | 第25-26页 |
| ·Multiple Instance Learning 跟踪算法 | 第26-27页 |
| ·Compressive Tracking 算法 | 第27-28页 |
| ·Struck 跟踪算法 | 第28-29页 |
| ·其他跟踪方法 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 目标跟踪中的四叉树分块模型 | 第31-43页 |
| ·引言 | 第31-32页 |
| ·目标图像的四叉树分块 | 第32-34页 |
| ·基于四叉树分块的目标描述 | 第34-35页 |
| ·概率密度估计 | 第34页 |
| ·基于四叉树分块的局部参数概率密度估计 | 第34-35页 |
| ·四叉树分块模型在目标跟踪中的应用 | 第35-36页 |
| ·实验 | 第36-41页 |
| ·实验环境 | 第36-37页 |
| ·实验结果 | 第37-39页 |
| ·实验分析 | 第39-41页 |
| ·本章小结 | 第41-43页 |
| 第四章 基于词袋的跟踪算法研究 | 第43-56页 |
| ·引言 | 第43页 |
| ·传统机器学习方法 | 第43-45页 |
| ·特征提取 | 第43-44页 |
| ·分类器的选择 | 第44-45页 |
| ·基于词袋的分类方法 | 第45-46页 |
| ·聚词方法 | 第46-47页 |
| ·词频描述 | 第47-48页 |
| ·词袋在目标跟踪中的应用研究 | 第48-53页 |
| ·词袋分类跟踪算法的特征选择和提取 | 第48-51页 |
| ·词袋分类跟踪算法的聚词框架设计 | 第51页 |
| ·词袋分类跟踪算法的跟踪策略 | 第51-52页 |
| ·词袋分类跟踪算法的流程 | 第52-53页 |
| ·实验结果与结论 | 第53-54页 |
| ·复杂环境实验 | 第53页 |
| ·与人工特征 Mean Shift 跟踪算法的比较实验 | 第53-54页 |
| ·本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| ·工作总结 | 第56页 |
| ·工作展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间发表的学术论文目录 | 第64-65页 |