| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 基于生成式模型的跟踪方法研究现状 | 第11页 |
| 1.2.2 基于判别式模型的跟踪方法研究现状 | 第11-12页 |
| 1.3 多目标跟踪概述 | 第12-14页 |
| 1.3.1 多目标跟踪的技术难点 | 第12-13页 |
| 1.3.2 多目标跟踪的方法概述 | 第13-14页 |
| 1.4 研究内容 | 第14-16页 |
| 第2章 基于判别式模型的跟踪算法概述 | 第16-23页 |
| 2.1 基于判别式模型的跟踪框架 | 第16页 |
| 2.2 目标特征提取算法 | 第16-19页 |
| 2.2.1 颜色特征提取算法 | 第17页 |
| 2.2.2 纹理特征提取算法 | 第17-18页 |
| 2.2.3 梯度特征提取算法 | 第18-19页 |
| 2.3 判别式分类器 | 第19-22页 |
| 2.3.1 SVM分类器 | 第19-21页 |
| 2.3.2 AdaBoost分类器 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于信息融合理论的多特征融合算法 | 第23-31页 |
| 3.1 引言 | 第23页 |
| 3.2 基于模糊理论和主成分分析法的多特征融合算法 | 第23-30页 |
| 3.2.1 模糊理论 | 第24-25页 |
| 3.2.2 主成分分析法 | 第25页 |
| 3.2.3 基于FT-PCA的特征级多特征融合算法 | 第25-27页 |
| 3.2.4 实验分析 | 第27-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第4章 基于时空约束和结构化支持向量机的多目标跟踪算法 | 第31-44页 |
| 4.1 引言 | 第31-32页 |
| 4.2 相关理论 | 第32-34页 |
| 4.2.1 结构化SVM学习 | 第32-33页 |
| 4.2.2 图结构模型 | 第33页 |
| 4.2.3 最小生成树模型 | 第33-34页 |
| 4.3 基于时空约束的判别式分类器模型 | 第34-37页 |
| 4.3.1 建立目标外观模型 | 第34-35页 |
| 4.3.2 构建时空约束模型 | 第35-36页 |
| 4.3.3 建立空间约束生成树模型 | 第36-37页 |
| 4.4 目标跟踪更新模型 | 第37-39页 |
| 4.4.1 基于被动主动学习算法的模型参数更新 | 第37-39页 |
| 4.4.2 目标正负样本更新策略 | 第39页 |
| 4.5 基于时空约束的多目标跟踪算法 | 第39-40页 |
| 4.6 实验结果与分析 | 第40-43页 |
| 4.6.1 实验测试数据集 | 第40页 |
| 4.6.2 定性分析 | 第40-42页 |
| 4.6.3 定量分析 | 第42-43页 |
| 4.7 本章小结 | 第43-44页 |
| 第5章 结论与展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48页 |
