| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 目标跟踪的发展 | 第9-10页 |
| 1.2.2 目标跟踪算法的概述 | 第10-12页 |
| 1.3 目标跟踪算法面临的挑战 | 第12-13页 |
| 1.4 本文主要工作和结构 | 第13-15页 |
| 2 相关理论 | 第15-21页 |
| 2.1 压缩感知理论 | 第15-18页 |
| 2.1.1 传统的信号采样 | 第15页 |
| 2.1.2 压缩感知 | 第15-18页 |
| 2.2 随机测量矩阵 | 第18页 |
| 2.3 基于多示例学习的目标跟踪算法 | 第18-19页 |
| 2.4 本章小结 | 第19-21页 |
| 3 基于颜色属性和在线Boosting特征选择的压缩跟踪算法 | 第21-50页 |
| 3.1 引言 | 第21页 |
| 3.2 粒子滤波框架 | 第21-25页 |
| 3.2.1 贝叶斯滤波原理 | 第21-22页 |
| 3.2.2 基于粒子滤波框架的目标跟踪过程 | 第22-23页 |
| 3.2.3 运动状态模型 | 第23-24页 |
| 3.2.4 仿射变换参数 | 第24-25页 |
| 3.3 运动模型 | 第25-26页 |
| 3.4 颜色属性 | 第26-28页 |
| 3.4.1 颜色属性简介 | 第26-27页 |
| 3.4.2 低维的颜色属性 | 第27-28页 |
| 3.5 特征提取 | 第28-31页 |
| 3.5.1 高维多尺度图像特征 | 第28-29页 |
| 3.5.2 压缩特征 | 第29-30页 |
| 3.5.3 基于积分图的矩形特征的计算 | 第30-31页 |
| 3.6 观测模型 | 第31-35页 |
| 3.6.1 特征选择原理 | 第31-32页 |
| 3.6.2 在线Boosting特征选择 | 第32-34页 |
| 3.6.3 朴素贝叶斯分类器 | 第34页 |
| 3.6.4 算法步骤 | 第34-35页 |
| 3.7 实验结果与分析 | 第35-49页 |
| 3.7.1 实验配置 | 第35-36页 |
| 3.7.2 评价标准 | 第36-37页 |
| 3.7.3 定性评价 | 第37-44页 |
| 3.7.4 定量评价 | 第44-47页 |
| 3.7.5 速度评价 | 第47-48页 |
| 3.7.6 成分分析实验 | 第48-49页 |
| 3.8 本章小结 | 第49-50页 |
| 4 基于双特征的自适应压缩跟踪算法 | 第50-65页 |
| 4.1 引言 | 第50页 |
| 4.2 改进的压缩特征提取 | 第50-51页 |
| 4.2.1 原测量矩阵分析 | 第50-51页 |
| 4.2.2 测量矩阵的改进 | 第51页 |
| 4.3 观测模型 | 第51-52页 |
| 4.4 自适应更新方法 | 第52-54页 |
| 4.4.1 感知哈希算法 | 第52-53页 |
| 4.4.2 分类器更新参数自适应过程 | 第53页 |
| 4.4.3 算法步骤 | 第53-54页 |
| 4.5 实验结果与分析 | 第54-63页 |
| 4.5.1 定性评价 | 第54-59页 |
| 4.5.2 定量评价 | 第59-62页 |
| 4.5.3 速度评价 | 第62-63页 |
| 4.5.4 成分分析实验 | 第63页 |
| 4.6 本章小结 | 第63-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间发表学术论文情况 | 第71-72页 |
| 致谢 | 第72-74页 |