| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要研究成果 | 第13-14页 |
| 1.4 论文结构及主要内容 | 第14-16页 |
| 第2章 基于视觉显著图的结构反稀疏在线目标跟踪算法理论基础 | 第16-27页 |
| 2.1 特征提取 | 第16-20页 |
| 2.1.1 颜色特征 | 第16-17页 |
| 2.1.2 纹理特征 | 第17-19页 |
| 2.1.3 梯度特征 | 第19页 |
| 2.1.4 多特征融合 | 第19-20页 |
| 2.2 Meanshift跟踪算法 | 第20-22页 |
| 2.2.1 目标建模 | 第20-21页 |
| 2.2.2 候选目标建模 | 第21页 |
| 2.2.3 相似性度量与目标跟踪 | 第21-22页 |
| 2.3 粒子滤波跟踪算法 | 第22-25页 |
| 2.3.1 蒙特卡罗仿真 | 第22-23页 |
| 2.3.2 序列重要性采样 | 第23-24页 |
| 2.3.3 粒子退化与重采样技术 | 第24页 |
| 2.3.4 粒子滤波跟踪流程 | 第24-25页 |
| 2.4 目标跟踪系统性能评价及技术难点 | 第25-26页 |
| 2.4.1 目标跟踪系统性能评价 | 第25页 |
| 2.4.2 目标跟踪系统技术难点 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于目标-背景显著置信图加权模型的中层视觉线索Meanshift跟踪算法 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 目标-背景显著置信图检测算法 | 第27-31页 |
| 3.2.1 超像素分割 | 第28-29页 |
| 3.2.2 颜色分布计算 | 第29-30页 |
| 3.2.3 颜色对比计算 | 第30页 |
| 3.2.4 目标-背景显著置信图 | 第30-31页 |
| 3.3 基于目标-背景显著置信图的改进Meanshift跟踪算法 | 第31-32页 |
| 3.3.1 经典Meanshift跟踪算法简要回顾 | 第31页 |
| 3.3.2 改进Meanshift跟踪算法 | 第31-32页 |
| 3.3.3 改进Meanshift跟踪算法具体步骤 | 第32页 |
| 3.4 实验结果及分析 | 第32-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于全局与局部结构反稀疏外观模型跟踪算法 | 第37-50页 |
| 4.1 引言 | 第37页 |
| 4.2 基于全局与局部结构反稀疏外观模型跟踪算法 | 第37-42页 |
| 4.2.1 贝叶斯推论框架 | 第37-38页 |
| 4.2.2 反稀疏表达模型 | 第38-39页 |
| 4.2.3 全局与局部结构反稀疏外观模型 | 第39-40页 |
| 4.2.4 联合判别相似度图 | 第40-41页 |
| 4.2.5 双重模板更新 | 第41-42页 |
| 4.3 实验结果及分析 | 第42-48页 |
| 4.3.1 定量评估 | 第43-44页 |
| 4.3.2 定性评估 | 第44-48页 |
| 4.4 算法关键参数分析 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于视觉显著图的结构反稀疏在线目标跟踪算法 | 第50-65页 |
| 5.1 引言 | 第50-51页 |
| 5.2 基于视觉显著图的结构反稀疏在线目标跟踪算法 | 第51-56页 |
| 5.2.1 基于马尔科夫模型的关联性视觉显著度检测算法 | 第51-54页 |
| 5.2.2 加权结构反稀疏外观模型 | 第54-55页 |
| 5.2.3 目标跟踪及模板更新 | 第55-56页 |
| 5.3 实验结果及分析 | 第56-63页 |
| 5.3.1 定量评估 | 第56-58页 |
| 5.3.2 定性评估 | 第58-63页 |
| 5.4 算法关键参数分析 | 第63-64页 |
| 5.5 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第72-73页 |
| 致谢 | 第73页 |
