| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与研究意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 基于稀疏编码的粒子滤波算法的研究现状 | 第13-14页 |
| 1.2.2 基于特征匹配的检测算法的研究现状 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 论文的结构安排 | 第16-17页 |
| 1.4.1 全文结构安排 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 基于改进稀疏编码的粒子滤波跟踪算法 | 第18-44页 |
| 2.1 传统基于稀疏编码的粒子滤波跟踪算法 | 第18-21页 |
| 2.1.1 L1-APG目标模型 | 第18-19页 |
| 2.1.2 L1-APG加速梯度算法 | 第19-21页 |
| 2.2 改进稀疏编码的跟踪算法 | 第21-27页 |
| 2.2.1 改进的目标模型 | 第21-22页 |
| 2.2.2 求解目标模型的最优解 | 第22-27页 |
| 2.3 基于改进稀疏编码的粒子滤波跟踪框架 | 第27-28页 |
| 2.3.1 粒子滤波状态模型 | 第27页 |
| 2.3.2 粒子滤波观测模型 | 第27-28页 |
| 2.4 实验设计与分析 | 第28-41页 |
| 2.4.1 OPE测试分析 | 第29-34页 |
| 2.4.2 TRE测试分析 | 第34-39页 |
| 2.4.3 SRE测试分析 | 第39-41页 |
| 2.5 实验总结 | 第41-42页 |
| 2.6 本章小结 | 第42-44页 |
| 第三章 基于谱残差和k-means聚类法的目标检测算法 | 第44-56页 |
| 3.1 基于SURF特征匹配的目标检测算法 | 第44-45页 |
| 3.1.1 全局运动参数模型的建立 | 第44-45页 |
| 3.2 基于谱残差和k-means聚类法的检测算法 | 第45-50页 |
| 3.2.1 谱残差算法提取图像的视觉显著性特征 | 第46-47页 |
| 3.2.2 改进的k-means算法 | 第47-50页 |
| 3.2.3 基于谱残差和k-means聚类的目标检测算法 | 第50页 |
| 3.3 实验设计与分析 | 第50-54页 |
| 3.3.1 算法测试分析 | 第51-54页 |
| 3.4 实验总结 | 第54-55页 |
| 3.5 本章小结 | 第55-56页 |
| 第四章 改进检测算法和跟踪算法的整合 | 第56-60页 |
| 4.1 改进检测算法和跟踪算法的整合 | 第56-57页 |
| 4.2 实验设计与分析 | 第57-59页 |
| 4.3 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 本文工作与成果 | 第60-61页 |
| 5.2 下一步工作 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 攻读硕士期间发表论文 | 第68页 |
