| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第7-10页 |
| Content | 第10-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景及其意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 主要研究内容及其技术难点 | 第17-18页 |
| 1.4 本文创新点 | 第18-19页 |
| 1.5 本文章节安排 | 第19-21页 |
| 第二章 稀疏表示的基本理论方法 | 第21-33页 |
| 2.1 背景 | 第21-23页 |
| 2.1.1 稀疏表示基本理论 | 第21-22页 |
| 2.1.2 稀疏表示的求解 | 第22-23页 |
| 2.2 信号的稀疏表示 | 第23-28页 |
| 2.2.1 基于基分解的信号分析理论 | 第23-26页 |
| 2.2.2 基于冗余字典的信号稀疏分解理论 | 第26-28页 |
| 2.3 常用的稀疏分解算法 | 第28-30页 |
| 2.3.1 匹配追踪算法 | 第28-29页 |
| 2.3.2 框架算法 | 第29页 |
| 2.3.3 基追踪算法 | 第29页 |
| 2.3.4 稀疏分解精确重构的条件 | 第29-30页 |
| 2.4 稀疏表示理论在图像处理领域中的应用 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 基于局部稀疏表示模型的目标跟踪算法研究 | 第33-53页 |
| 3.1 概况 | 第33-34页 |
| 3.2 基于蒙特卡罗方法的粒子滤波技术 | 第34-39页 |
| 3.2.1 基于贝叶斯框架的跟踪问题描述 | 第34-35页 |
| 3.2.2 贝叶斯滤波的蒙特卡罗实现 | 第35-36页 |
| 3.2.3 重要性采样和序贯重要性采样 | 第36-37页 |
| 3.2.4 序贯重要性采样算法的退化和重采样 | 第37-39页 |
| 3.3 目标外观模型的表示方法 | 第39-41页 |
| 3.3.1 判别式外观模型 | 第40页 |
| 3.3.2 产生式外观模型 | 第40-41页 |
| 3.4 基于局部稀疏表示模型的跟踪算法 | 第41-47页 |
| 3.4.1 L_1最小化跟踪 | 第41-42页 |
| 3.4.2 局部稀疏表示模型 | 第42-44页 |
| 3.4.3 合并投票图 | 第44页 |
| 3.4.4 模板更新 | 第44-47页 |
| 3.5 实验结果分析 | 第47-51页 |
| 3.6 本章小结 | 第51-53页 |
| 第四章 超完备字典学习方法研究 | 第53-61页 |
| 4.1 研究背景 | 第53-54页 |
| 4.2 离线字典与在线字典 | 第54-56页 |
| 4.2.1 离线字典训练 | 第54页 |
| 4.2.2 在线字典训练 | 第54-56页 |
| 4.3 超完备在线字典学习方法 | 第56-59页 |
| 4.3.1 MOD | 第57-58页 |
| 4.3.2 K-SVD | 第58-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第五章 基于局部稀疏表示模型的在线字典学习跟踪算法 | 第61-81页 |
| 5.1 基于局部稀疏表示模型的在线字典更新算法 | 第61-64页 |
| 5.2 CUDA | 第64-68页 |
| 5.2.1 CUDA技术特点 | 第64-65页 |
| 5.2.2 CUDA技术基本概念 | 第65-66页 |
| 5.2.3 CUDA软件体系 | 第66-67页 |
| 5.2.4 CUDA技术在字典更新中的应用 | 第67-68页 |
| 5.3 基于局部稀疏表示模型的在线字典学习跟踪算法设计 | 第68-70页 |
| 5.4 实验结果与分析 | 第70-77页 |
| 5.4.1 基于在线字典学习的目标跟踪算法实验结果分析 | 第70-76页 |
| 5.4.2 CUDA技术在字典更新中的效率提升实验结果分析 | 第76-77页 |
| 5.5 本章小结 | 第77-81页 |
| 第六章 总结与展望 | 第81-85页 |
| 6.1 论文工作总结 | 第81-82页 |
| 6.2 未来工作展望 | 第82-85页 |
| 参考文献 | 第85-91页 |
| 攻读硕士学位期间发表论文及科研情况 | 第91-93页 |
| 致谢 | 第93页 |
