| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第7-10页 |
| Contents | 第10-13页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究背景及其意义 | 第13-14页 |
| 1.2 目标跟踪的技术难点 | 第14-16页 |
| 1.2.1 目标跟踪的技术难点 | 第14-15页 |
| 1.2.2 跟踪算法的评价标准 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-22页 |
| 1.3.1 目标表征方式 | 第16-18页 |
| 1.3.2 外观模型的设计 | 第18-19页 |
| 1.3.3 运动模型的设计 | 第19-22页 |
| 1.4 本文主要的研究工作 | 第22页 |
| 1.5 论文组织结构 | 第22-25页 |
| 第二章 视觉显著性检测 | 第25-41页 |
| 2.1 引言 | 第25-28页 |
| 2.1.1 视觉显著性概述 | 第25-26页 |
| 2.1.2 基于视觉显著性的图像检测 | 第26-28页 |
| 2.2 图像显著性区域检测相关知识 | 第28-33页 |
| 2.2.1 颜色空间理论 | 第28-31页 |
| 2.2.2 高斯金字塔 | 第31-32页 |
| 2.2.3 Treisman特征融合理论 | 第32-33页 |
| 2.3 Itti模型 | 第33-36页 |
| 2.3.1 生成三个特征高斯金字塔 | 第34-35页 |
| 2.3.2 计算特征图 | 第35-36页 |
| 2.3.3 合成显著图 | 第36页 |
| 2.4 显著性滤波器算法(Saliency Filters Algorithm) | 第36-40页 |
| 2.4.1 算法描述 | 第36-39页 |
| 2.4.2 实验 | 第39-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第三章 基于马尔可夫链蒙特卡罗的各类采样方法 | 第41-53页 |
| 3.1 贝叶斯框架 | 第41-43页 |
| 3.1.1 贝叶斯理论 | 第41页 |
| 3.1.2 基于贝叶斯框架的跟踪算法 | 第41-43页 |
| 3.2 MCMC跟踪算法 | 第43-46页 |
| 3.2.1 马尔可夫链 | 第43-44页 |
| 3.2.2 MCMC方法 | 第44-45页 |
| 3.2.3 M-H算法 | 第45-46页 |
| 3.3 I MCMC跟踪算法 | 第46-49页 |
| 3.4 WLMC跟踪算法 | 第49-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 基于视觉显著性的WLMC跟踪算法 | 第53-63页 |
| 4.1 状态空间表示及贝叶斯框架 | 第53-54页 |
| 4.2 算法简介 | 第54-56页 |
| 4.2.1 提议阶段 | 第54页 |
| 4.2.2 接受阶段 | 第54-55页 |
| 4.2.3 估计阶段 | 第55-56页 |
| 4.3 算法整体流程 | 第56页 |
| 4.4 实验 | 第56-62页 |
| 4.4.1 实验设置 | 第56-57页 |
| 4.4.2 实验结果和分析 | 第57-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 基于视觉显著性的两阶段采样跟踪算法 | 第63-77页 |
| 5.1 算法简介 | 第63-64页 |
| 5.1.1 第一阶段——目标运动情况判别 | 第63页 |
| 5.1.2 第二阶段——选择采样方式 | 第63-64页 |
| 5.2 算法整体流程 | 第64-65页 |
| 5.3 实验 | 第65-75页 |
| 5.3.1 算法整体效果测试 | 第66-72页 |
| 5.3.2 两阶段采样效果测试 | 第72-75页 |
| 5.4 本章小结 | 第75-77页 |
| 第六章 总结和展望 | 第77-79页 |
| 6.1 总结 | 第77页 |
| 6.2 展望 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 攻读硕士学位期间科研成果 | 第85-87页 |
| 致谢 | 第87页 |