| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 引言 | 第11-16页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 研究现状与前景 | 第11-14页 |
| 1.2.1 运动目标检测 | 第12-13页 |
| 1.2.2 运动目标跟踪 | 第13-14页 |
| 1.3 本文研究内容与章节安排 | 第14-16页 |
| 1.3.1 本文主要研究 | 第14-15页 |
| 1.3.2 本文章节安排 | 第15-16页 |
| 第二章 非刚体目标的跟踪算法 | 第16-36页 |
| 2.1 Mean Shift 最优搜索 | 第16-20页 |
| 2.1.1 概述 | 第16-18页 |
| 2.1.2 最优求解 | 第18-19页 |
| 2.1.3 Mean Shift 非刚体跟踪算法实现 | 第19-20页 |
| 2.2 基于蒙特卡罗思想和分块模型的改进粒子滤波跟踪算法 | 第20-28页 |
| 2.2.1 贝叶斯理论 | 第20-22页 |
| 2.2.2 分块动态外观模型的建立 | 第22-23页 |
| 2.2.3 蒙特卡罗（Monte Carlo）方法 | 第23-26页 |
| 2.2.4 Lucas‐Kanade 图像配准算法 | 第26-27页 |
| 2.2.5 改进粒子滤波器 | 第27-28页 |
| 2.3 基于分块模型的非刚体目标跟踪算法的实现 | 第28-34页 |
| 2.3.1 在线外观模型 | 第28-29页 |
| 2.3.2 局部块的更新 | 第29-33页 |
| 2.3.3 基于分块模型的非刚体算法流程 | 第33-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第三章 TLD 算法思想及其学习检测环节 | 第36-44页 |
| 3.1 TLD 算法思想 | 第36页 |
| 3.2 P-N 学习 | 第36-40页 |
| 3.2.1 P‐N 学习原理 | 第37-38页 |
| 3.2.2 P‐N 学习的稳定性分析 | 第38-39页 |
| 3.2.3 P‐experts 和 N‐experts 的作用 | 第39页 |
| 3.2.4 P‐N 学习的设计步骤 | 第39-40页 |
| 3.3 检测模块 | 第40-42页 |
| 3.4 整合模块 | 第42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 基于分块动态外观模型和在线学习的目标跟踪 | 第44-51页 |
| 4.1 算法原理 | 第44-45页 |
| 4.2 算法流程 | 第45-50页 |
| 4.2.1 PATCH 的初始化 | 第45-46页 |
| 4.2.2 PATCH 的跟踪 | 第46-48页 |
| 4.2.3 PATCH 的检验和更新 | 第48-50页 |
| 4.2.4 目标的还原 | 第50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 实验结果与分析 | 第51-65页 |
| 5.1 本文算法与传统 TLD 算法结果比较 | 第51-58页 |
| 5.2 本文算法与基于分块模型的改进粒子滤波算法结果比较 | 第58-61页 |
| 5.3 刚体目标跟踪实验 | 第61-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-68页 |
| 6.1 本文总结 | 第65-66页 |
| 6.2 日后工作与展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间已发表或录用的论文 | 第72-73页 |
| 附件 | 第73-74页 |
