| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 国内外研究状况 | 第8-9页 |
| 1.3 研究内容及技术难点 | 第9-10页 |
| 1.4 论文结构安排 | 第10-12页 |
| 第二章 视频目标跟踪方法概述 | 第12-26页 |
| 2.1 引言 | 第12页 |
| 2.2 目标检测 | 第12-16页 |
| 2.2.1 光流法 | 第13-14页 |
| 2.2.2 帧间差分法 | 第14-15页 |
| 2.2.3 背景差分法 | 第15-16页 |
| 2.3 目标特征描述 | 第16-22页 |
| 2.3.1 颜色特征 | 第17页 |
| 2.3.2 纹理特征 | 第17页 |
| 2.3.3 形状特征 | 第17-18页 |
| 2.3.4 常用的特征描述子 | 第18-22页 |
| 2.4 目标跟踪方法 | 第22-25页 |
| 2.4.1 基于特征的跟踪方法 | 第22-23页 |
| 2.4.2 基于区域的跟踪方法 | 第23-24页 |
| 2.4.3 基于模型的跟踪算法 | 第24页 |
| 2.4.4 基于学习的跟踪方法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于支持向量机的目标分类 | 第26-43页 |
| 3.1 SVM数学模型 | 第26-31页 |
| 3.1.1 结构风险最小化 | 第26-27页 |
| 3.1.2 线性SVM | 第27-29页 |
| 3.1.3 非线性SVM | 第29-31页 |
| 3.2 核函数 | 第31-32页 |
| 3.3 主成分分析 | 第32-35页 |
| 3.3.1 主成分分析介绍 | 第32-33页 |
| 3.3.2 主成分分析的数学模型 | 第33-34页 |
| 3.3.3 主成分分析的计算步骤 | 第34-35页 |
| 3.4 基于SVM的目标分类 | 第35-39页 |
| 3.4.1 目标分类实现 | 第36-37页 |
| 3.4.2 训练样本 | 第37-39页 |
| 3.5 实验结果 | 第39-41页 |
| 3.5.1 Haar特征分类结果 | 第39-40页 |
| 3.5.2 HOG特征分类结果 | 第40-41页 |
| 3.5.3 颜色矩特征分类结果 | 第41页 |
| 3.5.4 实验总结 | 第41页 |
| 3.6 基于SVM的离线目标跟踪 | 第41-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第四章 改进的基于结构化支持向量机的鲁棒目标跟踪 | 第43-61页 |
| 4.1 引言 | 第43-44页 |
| 4.2 在线结构化输出目标跟踪 | 第44-49页 |
| 4.2.1 基于检测的跟踪方法 | 第44-45页 |
| 4.2.2 结构化支持向量机 | 第45-46页 |
| 4.2.3 在线最优化步骤 | 第46-48页 |
| 4.2.4 合并预算步骤 | 第48-49页 |
| 4.3 卡尔曼滤波器 | 第49-52页 |
| 4.3.1 信号的估计 | 第49-50页 |
| 4.3.2 滤波器的计算原型 | 第50-51页 |
| 4.3.3 离散卡尔曼滤波器算法 | 第51-52页 |
| 4.4 改进的基于支持向量机的在线目标跟踪 | 第52-57页 |
| 4.4.1 基于支持向量机的样本选择 | 第54页 |
| 4.4.2 支持向量更新 | 第54-55页 |
| 4.4.3 卡尔曼滤波修正策略 | 第55-56页 |
| 4.4.4 目标重定位 | 第56页 |
| 4.4.5 改进的基于支持向量机的在线目标跟踪步骤 | 第56-57页 |
| 4.5 实验结果演示及分析 | 第57-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 实验对比与结果分析 | 第61-71页 |
| 5.1 环境设置 | 第61页 |
| 5.2 跟踪效果比较和分析 | 第61-70页 |
| 5.3 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-74页 |
| 6.1 本文工作总结 | 第71-72页 |
| 6.2 本文主要创新点 | 第72页 |
| 6.3 展望 | 第72-74页 |
| 参考文献 | 第74-76页 |
| 附录1 攻读硕士学位期间申请的专利 | 第76-77页 |
| 致谢 | 第77页 |