| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-12页 |
| 第1章 绪论 | 第12-21页 |
| ·课题研究背景和意义 | 第12-14页 |
| ·国内外研究现状 | 第14-18页 |
| ·稀疏表观模型研究现状 | 第15-17页 |
| ·分类器研究现状 | 第17-18页 |
| ·本文研究内容和结构 | 第18-21页 |
| ·本文研究内容 | 第18页 |
| ·本文结构 | 第18-21页 |
| 第2章 稀疏表观模型的基本原理 | 第21-35页 |
| ·视觉目标跟踪的基本原理 | 第21-22页 |
| ·目标的视觉表示 | 第22-25页 |
| ·全局视觉表示 | 第22-24页 |
| ·局部视觉表示 | 第24-25页 |
| ·全局视觉表示和局部视觉表示的比较 | 第25页 |
| ·表观模型 | 第25-26页 |
| ·生成表观模型和判别表观模型 | 第25-26页 |
| ·稀疏表观模型和非稀疏表观模型 | 第26页 |
| ·压缩感知理论 | 第26-31页 |
| ·传统编解码和压缩感知编解码的比较 | 第27-28页 |
| ·信号的稀疏表示 | 第28页 |
| ·压缩感知编码测量矩阵 | 第28-29页 |
| ·压缩感知解码重构算法 | 第29-31页 |
| ·稀疏表观模型 | 第31-34页 |
| ·基于特征生成的稀疏表观模型 | 第31-33页 |
| ·基于特征选择的稀疏表观模型 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 分类器的基本原理 | 第35-43页 |
| ·分类器简介 | 第35页 |
| ·判别表观模型和基于检测的视觉目标跟踪算法 | 第35页 |
| ·基于检测的视觉目标跟踪算法中常用的分类器介绍 | 第35-36页 |
| ·支撑向量机（SVM）分类器简介 | 第36页 |
| ·朴素贝叶斯分类器简介 | 第36页 |
| ·朴素贝叶斯分类器的基本原理 | 第36-41页 |
| ·贝叶斯定理 | 第37-38页 |
| ·朴素贝叶斯分类器的参数估计 | 第38-40页 |
| ·最大后验概率决策准则 | 第40-41页 |
| ·贝叶斯分类器的不足 | 第41页 |
| ·朴素贝叶斯分类器在基于检测的视觉目标跟踪算法中的应用 | 第41页 |
| ·本章小结 | 第41-43页 |
| 第4章 融合全局灰度模板的稀疏表观模型 | 第43-59页 |
| ·压缩跟踪算法中的稀疏表观模型 | 第43-50页 |
| ·全局灰度模板表观模型 | 第50-51页 |
| ·归一化全局灰度直方图特征 | 第50-51页 |
| ·全局灰度模板表观模型 | 第51页 |
| ·使用全局灰度模板表观模型改进稀疏表观模型 | 第51-53页 |
| ·实验结果和性能分析 | 第53-58页 |
| ·定性分析 | 第53-57页 |
| ·定量分析 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第5章 加权朴素贝叶斯分类器 | 第59-77页 |
| ·对朴素贝叶斯分类器中正样本权重的分析 | 第59-63页 |
| ·加权正样本的朴素贝叶斯分类器的实现 | 第63-71页 |
| ·实验结果和性能分析 | 第71-75页 |
| ·定性分析 | 第71-75页 |
| ·定量分析 | 第75页 |
| ·本章小结 | 第75-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-84页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第84-85页 |
| 致谢 | 第85-86页 |