| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第7-10页 |
| 1 绪论 | 第10-15页 |
| 1.1 选题背景及研究意义 | 第10-11页 |
| 1.2 运动目标跟踪研究现状 | 第11-13页 |
| 1.3 本文主要内容及章节安排 | 第13-15页 |
| 2 经典 Mean Shift 运动目标跟踪算法 | 第15-32页 |
| 2.1 引言 | 第15页 |
| 2.2 Mean Shift 理论 | 第15-23页 |
| 2.2.1 Mean Shift 的基本形式 | 第15-16页 |
| 2.2.2 Mean Shift 的扩展形式 | 第16-19页 |
| 2.2.3 Mean Shift 的物理意义 | 第19-21页 |
| 2.2.4 Mean Shift 算法收敛性证明 | 第21-23页 |
| 2.3 经典 Mean Shift 运动目标跟踪算法 | 第23-27页 |
| 2.3.1 目标模型描述 | 第24页 |
| 2.3.2 候选模型描述 | 第24-25页 |
| 2.3.3 相似性度量函数 | 第25页 |
| 2.3.4 目标定位 | 第25-26页 |
| 2.3.5 算法步骤 | 第26-27页 |
| 2.4 实验结果分析 | 第27-30页 |
| 2.5 本章小结 | 第30-32页 |
| 3 Mean Shift 结合 Kalman 滤波器运动目标跟踪算法 | 第32-45页 |
| 3.1 引言 | 第32-33页 |
| 3.2 Bayes 滤波理论 | 第33-34页 |
| 3.3 Kalman 滤波理论 | 第34-36页 |
| 3.3.1 Kalman 滤波器模型 | 第34-35页 |
| 3.3.2 离散 Kalman 滤波算法 | 第35-36页 |
| 3.4 Mean Shift 结合 Kalman 滤波器运动目标跟踪算法 | 第36-38页 |
| 3.5 实验结果分析 | 第38-44页 |
| 3.6 本章小结 | 第44-45页 |
| 4 尺度自适应 Mean Shift 运动目标跟踪算法 | 第45-59页 |
| 4.1 引言 | 第45页 |
| 4.2 经典 Mean Shift 运动目标跟踪算法回顾 | 第45-48页 |
| 4.2.1 目标模型描述 | 第45-46页 |
| 4.2.2 候选模型描述 | 第46页 |
| 4.2.3 相似形函数度量 | 第46-47页 |
| 4.2.4 目标定位 | 第47-48页 |
| 4.3 尺度自适应 Mean Shift 运动目标跟踪算法 | 第48-53页 |
| 4.3.1 权值图 | 第48-49页 |
| 4.3.2 目标区域估计 | 第49-50页 |
| 4.3.3 Mean Shift 跟踪算法中的矩特征 | 第50-51页 |
| 4.3.4 目标尺度估计 | 第51-52页 |
| 4.3.5 算法步骤 | 第52-53页 |
| 4.4 实验结果分析 | 第53-57页 |
| 4.5 本章小结 | 第57-59页 |
| 5 全文总结与展望 | 第59-61页 |
| 5.1 全文总结 | 第59页 |
| 5.2 未来工作展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-68页 |
| 个人简历与科研成果 | 第68页 |
