联合增量学习与线性表示模型的目标跟踪算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究的背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 目标跟踪的技术分类 | 第10-12页 |
| 1.4 目标跟踪的研究难点 | 第12-13页 |
| 1.5 论文研究内容与结构分布 | 第13-14页 |
| 第二章 目标跟踪概述 | 第14-20页 |
| 2.1 目标表示模型 | 第14-16页 |
| 2.1.1 目标表示特征 | 第14-15页 |
| 2.1.2 线性表示模型简述 | 第15-16页 |
| 2.2 目标搜索机制 | 第16页 |
| 2.3 目标外观模型更新 | 第16页 |
| 2.4 经典目标跟踪算法概述 | 第16-19页 |
| 2.4.1 基于均值偏移的目标跟踪 | 第16-17页 |
| 2.4.2 基于稀疏表示的目标跟踪 | 第17-18页 |
| 2.4.3 基于子空间的目标跟踪 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 基于IVT增量视觉跟踪的相关理论 | 第20-25页 |
| 3.1 贝叶斯引理 | 第20-21页 |
| 3.2 仿射参数采样 | 第21-22页 |
| 3.3 主成分分析 | 第22-23页 |
| 3.4 子空间增量更新 | 第23-24页 |
| 3.5 本章小结 | 第24-25页 |
| 第四章 一种基于增量学习与协作表示的目标跟踪算法 | 第25-34页 |
| 4.1 引言 | 第25页 |
| 4.2 目标表示 | 第25-27页 |
| 4.2.1 改进的协作表示 | 第25-26页 |
| 4.2.2 目标函数最小化 | 第26-27页 |
| 4.3 跟踪框架 | 第27页 |
| 4.4 实验 | 第27-33页 |
| 4.4.1 定性评估 | 第28-31页 |
| 4.4.2 定量评估 | 第31-32页 |
| 4.4.3 实时性评估 | 第32-33页 |
| 4.5 本章小结 | 第33-34页 |
| 第五章 基于Lp范数正则的增量学习目标跟踪算法 | 第34-47页 |
| 5.1 引言 | 第34页 |
| 5.2 目标表示 | 第34-38页 |
| 5.2.1 基于Lp范数正则的外观模型 | 第34-35页 |
| 5.2.2 目标函数最小化 | 第35-38页 |
| 5.3 跟踪框架 | 第38页 |
| 5.4 实验 | 第38-46页 |
| 5.4.1 定性评估 | 第39-43页 |
| 5.4.2 定量评估 | 第43-44页 |
| 5.4.3 实时性评估 | 第44-45页 |
| 5.4.4 稀疏度对比和分析 | 第45-46页 |
| 5.5 本章小结 | 第46-47页 |
| 主要结论与展望 | 第47-49页 |
| 主要结论 | 第47页 |
| 展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第54页 |
