| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要研究成果 | 第13-14页 |
| 1.4 论文结构及主要内容 | 第14-16页 |
| 第2章 基于显著特征及贝叶斯框架参数估计跟踪算法理论基础 | 第16-27页 |
| 2.1 目标特征描述模型 | 第16-23页 |
| 2.1.1 颜色特征模型 | 第16-20页 |
| 2.1.2 纹理特征模型 | 第20-23页 |
| 2.2 目标匹配跟踪算法 | 第23-25页 |
| 2.2.1 经典均值偏移目标跟踪算法 | 第24页 |
| 2.2.2 贝叶斯框架参数估计跟踪算法 | 第24-25页 |
| 2.3 目标跟踪算法的性能评价 | 第25-26页 |
| 2.3.1 理想跟踪算法具备的优点 | 第25-26页 |
| 2.3.2 目前跟踪算法的局限性 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于显著颜色特征模型的快速运动目标均值偏移跟踪 | 第27-38页 |
| 3.1 引言 | 第27-28页 |
| 3.2 颜色空间的选择 | 第28-29页 |
| 3.3 目标模型的构建 | 第29-30页 |
| 3.4 经典Meanshift算法及缺陷 | 第30-31页 |
| 3.5 基于显著颜色特征快速匹配的Meanshift跟踪算法 | 第31-33页 |
| 3.5.1 基于显著颜色特征的预处理 | 第32页 |
| 3.5.2 改进的Meanshift算法流程图 | 第32-33页 |
| 3.6 实验仿真与分析 | 第33-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第4章 多特征联合的尺度和方向自适应Meanshift跟踪算法 | 第38-53页 |
| 4.1 引言 | 第38-39页 |
| 4.2 改进LBP纹理描述 | 第39-42页 |
| 4.3 联合颜色特征及改进LBP纹理特征的Meanshift跟踪 | 第42页 |
| 4.4 目标跟踪的尺度自适应 | 第42-45页 |
| 4.5 实验仿真与分析 | 第45-51页 |
| 4.6 本章小结 | 第51-53页 |
| 第5章 贝叶斯框架下时空背景学习的尺度自适应目标跟踪算法 | 第53-66页 |
| 5.1 引言 | 第53-54页 |
| 5.2 时空上下文背景学习 | 第54-57页 |
| 5.2.1 空间上下文背景模型 | 第55-56页 |
| 5.2.2 背景先验概率模型 | 第56页 |
| 5.2.3 置信度映射 | 第56页 |
| 5.2.4 快速学习空间背景模型 | 第56-57页 |
| 5.3 基于时空上下文学习的跟踪算法 | 第57-60页 |
| 5.3.1 时空上下文背景模型更新 | 第58页 |
| 5.3.2 对数极坐标域的尺度变换 | 第58-60页 |
| 5.3.3 本文算法优点 | 第60页 |
| 5.4 实验仿真与分析 | 第60-65页 |
| 5.5 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 作者简介 | 第75页 |
