基于子空间的目标跟踪算法研究
| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 基于子空间的目标跟踪研究现状 | 第13-14页 |
| 1.2.2 其他目标跟踪研究现状 | 第14-15页 |
| 1.3 目标跟踪的研究难点 | 第15页 |
| 1.4 本文研究内容 | 第15-16页 |
| 1.5 论文的结构和安排 | 第16-17页 |
| 第2章 相关技术和理论知识 | 第17-32页 |
| 2.1 目标跟踪方法的基本组成 | 第17-18页 |
| 2.1.1 运动模型 | 第18页 |
| 2.1.2 观测模型 | 第18页 |
| 2.2 基于子空间模型的跟踪方法 | 第18-19页 |
| 2.3 基于特征表达的目标跟踪方法 | 第19-22页 |
| 2.3.1 颜色特征 | 第20页 |
| 2.3.2 边缘特征 | 第20-21页 |
| 2.3.3 梯度特征 | 第21页 |
| 2.3.4 纹理特征 | 第21-22页 |
| 2.4 粒子滤波方法 | 第22-25页 |
| 2.4.1 贝叶斯学习 | 第22-23页 |
| 2.4.2 粒子滤波基本思想 | 第23-25页 |
| 2.5 基于稀疏表示的跟踪方法 | 第25-28页 |
| 2.5.1 信号的稀疏表示 | 第25-26页 |
| 2.5.2 贪婪算法 | 第26-27页 |
| 2.5.3 凸松弛优化算法 | 第27-28页 |
| 2.6 Harris角点特征 | 第28-30页 |
| 2.7 视频目标跟踪算法性能评估 | 第30-32页 |
| 第3章 基于加权子空间学习的目标跟踪方法研究 | 第32-40页 |
| 3.1 引言 | 第32-33页 |
| 3.2 粒子滤波框架 | 第33-34页 |
| 3.2.1 运动模型 | 第33页 |
| 3.2.2 观测模型 | 第33-34页 |
| 3.3 传统增量子空间学习算法的改进 | 第34-35页 |
| 3.3.1 相似度测量的改进 | 第34-35页 |
| 3.3.2 改进的观测模型 | 第35页 |
| 3.4 子空间更新方法的改进 | 第35-36页 |
| 3.5 实验结果与分析 | 第36-39页 |
| 3.5.1 定性评估 | 第37-39页 |
| 3.5.2 定量评估 | 第39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 基于角点的稀疏子空间目标跟踪算法 | 第40-49页 |
| 4.1 引言 | 第40-41页 |
| 4.2 相似度测量 | 第41页 |
| 4.3 粒子滤波框架 | 第41-42页 |
| 4.4 传统稀疏子空间算法的改进 | 第42-44页 |
| 4.4.1 改进的稀疏子空间 | 第42-43页 |
| 4.4.2 改进的琐碎模板方法 | 第43-44页 |
| 4.5 更新方法 | 第44页 |
| 4.6 实验结果与分析 | 第44-47页 |
| 4.6.1 定性评估 | 第46页 |
| 4.6.2 定量评估 | 第46-47页 |
| 4.7 本章小结 | 第47-49页 |
| 总结与展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 附录A 攻读硕士学位期间所发表的学术论文 | 第56页 |
