| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 第1章 绪论 | 第14-30页 |
| ·研究背景与意义 | 第14-18页 |
| ·目标跟踪领域的研究现状 | 第18-25页 |
| ·基于核的目标跟踪方法 | 第19-20页 |
| ·基于活动轮廓的目标跟踪方法 | 第20-21页 |
| ·基于切函数的目标跟踪方法 | 第21页 |
| ·基于块的目标跟踪方法 | 第21-22页 |
| ·基于生成模型的目标跟踪方法 | 第22页 |
| ·基于子空间学习的目标跟踪方法 | 第22-23页 |
| ·基于判别模型的目标跟踪方法 | 第23-25页 |
| ·本文工作 | 第25-27页 |
| ·本文的组织结构 | 第27-30页 |
| 第2章 基于加权增量子空间的目标跟踪方法 | 第30-45页 |
| ·引言 | 第30页 |
| ·增量主成分分析方法 | 第30-38页 |
| ·主成分分析方法简述 | 第30-31页 |
| ·增量型主成分分析方法 | 第31-33页 |
| ·序列化Karhunen-Loeve变换算法 | 第33-35页 |
| ·加权增量主成分分析 | 第35-36页 |
| ·性能分析与比较 | 第36-38页 |
| ·基于加权增量子空间的目标跟踪方法 | 第38-44页 |
| ·跟踪方法总体框架 | 第38-39页 |
| ·目标物运动状态的预测 | 第39页 |
| ·运动目标图像区域的判断 | 第39-40页 |
| ·实验结果 | 第40-44页 |
| ·本章小结 | 第44-45页 |
| 第3章 基于增量非负矩阵分解的目标跟踪方法 | 第45-58页 |
| ·引言 | 第45页 |
| ·非负矩阵分解及其增量算法 | 第45-50页 |
| ·非负矩阵分解原理 | 第45-48页 |
| ·增量型非负矩阵分解算法 | 第48-50页 |
| ·基于增量型非负矩阵分解的目标跟踪算法 | 第50-57页 |
| ·运动预测模型 | 第50-51页 |
| ·目标图像区域的确定 | 第51-52页 |
| ·子空间的增量更新 | 第52-54页 |
| ·实验结果及分析 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 第4章 基于增量线性判别空间的目标跟踪方法 | 第58-73页 |
| ·引言 | 第58页 |
| ·线性判别分析 | 第58-68页 |
| ·Fish线性判别分析 | 第58-61页 |
| ·线性判别空间的增量计算 | 第61-62页 |
| ·基于充分生成集的增量线性判别分析算法 | 第62-63页 |
| ·总体散度矩阵主成分的增量计算 | 第63-66页 |
| ·类间散度矩阵主成分的增量计算 | 第66-67页 |
| ·投影方向的增量更新 | 第67-68页 |
| ·基于增量式线性判别空间的目标跟踪方法 | 第68-72页 |
| ·运动预测模型 | 第68页 |
| ·线性判别空间的增量更新 | 第68-69页 |
| ·算法时间复杂度分析 | 第69页 |
| ·具体实验设置 | 第69-72页 |
| ·本章小结 | 第72-73页 |
| 第5章 基于增量非对称Boosting的目标跟踪方法 | 第73-88页 |
| ·引言 | 第73页 |
| ·Boosting学习及其增量算法 | 第73-81页 |
| ·Boosting学习算法简述 | 第73-76页 |
| ·增量型Boosting学习算法 | 第76-78页 |
| ·非对称Boosting学习算法 | 第78-81页 |
| ·基于增量非对称Boosting学习的目标跟踪方法 | 第81-87页 |
| ·目标图像区域的确定 | 第81-82页 |
| ·弱分类器的在线训练 | 第82-83页 |
| ·强分类器的非对称构造 | 第83-85页 |
| ·实验结果 | 第85-87页 |
| ·本章小结 | 第87-88页 |
| 第6章 总结与展望 | 第88-91页 |
| ·总结 | 第88-89页 |
| ·未来工作展望 | 第89-91页 |
| 参考文献 | 第91-106页 |
| 攻读博士学位期间主要的研究成果 | 第106-107页 |
| 致谢 | 第107页 |