基于稀疏表示的小弱运动目标跟踪算法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题背景及研究意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文的主要工作及章节安排 | 第13-14页 |
| 1.4 本章小结 | 第14-16页 |
| 2 稀疏表示的基本理论 | 第16-24页 |
| 2.1 稀疏表示理论基本原理 | 第16-20页 |
| 2.1.1 信号的稀疏表示模型 | 第16-17页 |
| 2.1.2 l0范数的稀疏测度 | 第17-18页 |
| 2.1.3 稀疏解的唯一性 | 第18-20页 |
| 2.2 稀疏表示模型的求解方法 | 第20-23页 |
| 2.2.1 贪婪算法 | 第20-22页 |
| 2.2.2 凸松弛算法 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 基于自适应在线分类字典的小弱目标检测算法 | 第24-50页 |
| 3.1 字典的构造方法 | 第24-31页 |
| 3.1.1 数学模型字典 | 第24-29页 |
| 3.1.2 基于内容学习的字典 | 第29-31页 |
| 3.2 自适应在线分类超完备字典的学习 | 第31-41页 |
| 3.2.1 自适应形态成份字典 | 第32-35页 |
| 3.2.2 自适应在线分类超完备字典 | 第35-39页 |
| 3.2.3 几种字典的对比分析 | 第39-41页 |
| 3.3 基于自适应在线分类字典的小弱目标检测算法 | 第41-48页 |
| 3.3.1 自适应在线分类字典检测小弱目标的原理 | 第41-42页 |
| 3.3.2 自适应在线分类字典检测算法步骤 | 第42页 |
| 3.3.3 实验结果与分析 | 第42-48页 |
| 3.4 本章小结 | 第48-50页 |
| 4 基于稀疏表示的小弱运动目标跟踪算法 | 第50-72页 |
| 4.1 粒子滤波理论 | 第50-56页 |
| 4.1.1 贝叶斯估计理论 | 第50-52页 |
| 4.1.2 蒙特卡罗积分 | 第52页 |
| 4.1.3 序列重要性采样 | 第52-54页 |
| 4.1.4 粒子匮乏与重采样 | 第54-56页 |
| 4.2 基于稀疏表示的小弱运动目标跟踪算法 | 第56-62页 |
| 4.2.1 基于稀疏表示的目标模型 | 第56-59页 |
| 4.2.2 基于在线分类字典的子空间更新 | 第59-62页 |
| 4.2.3 基于稀疏表示的小弱运动目标跟踪算法 | 第62页 |
| 4.3 实验结果及分析 | 第62-70页 |
| 4.3.1 模拟仿真红外序列图像 | 第63-65页 |
| 4.3.2 实际场景红外图像序列 | 第65-70页 |
| 4.4 本章小结 | 第70-72页 |
| 5 总结与展望 | 第72-74页 |
| 5.1 工作总结 | 第72-73页 |
| 5.2 工作展望 | 第73-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 附录 | 第82页 |
| A. 作者在攻读学位期间取得的科研成果目录 | 第82页 |
| B. 作者在攻读学位期间发表的专利目录 | 第82页 |
