| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 主要符号对照表 | 第10-11页 |
| 第1章 引言 | 第11-23页 |
| ·研究背景 | 第11-15页 |
| ·机器人视觉研究概述 | 第11-13页 |
| ·目标跟踪技术的发展 | 第13-14页 |
| ·目标跟踪技术的应用 | 第14-15页 |
| ·问题描述 | 第15-16页 |
| ·研究现状 | 第16-19页 |
| ·目标建模与定位 | 第16-18页 |
| ·滤波与数据关联 | 第18-19页 |
| ·研究目的与意义 | 第19-20页 |
| ·研究内容与文章提纲 | 第20-23页 |
| 第2章 基于失败检测的跟踪方法 | 第23-34页 |
| ·目标表示与跟踪模型 | 第23-26页 |
| ·相关术语 | 第23-24页 |
| ·目标的表示方法 | 第24页 |
| ·目标跟踪模型 | 第24-26页 |
| ·基于金字塔 L-K 光流的点跟踪及误差分析 | 第26-30页 |
| ·基于金字塔 L-K 光流法的单点跟踪 | 第26-28页 |
| ·基于前向后向一致性的误差分析 | 第28-30页 |
| ·基于模板的边界框跟踪及误差分析 | 第30-32页 |
| ·中值流算法研究 | 第30-31页 |
| ·中值流跟踪误差分析 | 第31-32页 |
| ·算法实现及实验结果分析 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 基于有监督自举的检测方法 | 第34-50页 |
| ·目标特征检测 | 第34-36页 |
| ·目标特征 | 第34-35页 |
| ·目标特征检测方法 | 第35-36页 |
| ·组合分类方法研究 | 第36-38页 |
| ·组合的基本原理 | 第36-37页 |
| ·基分类器构造方法 | 第37页 |
| ·分类器组合的构造方式 | 第37-38页 |
| ·基分类器结果组合方法 | 第38页 |
| ·分类器有监督自举研究 | 第38-42页 |
| ·基于 Bootstrapping 的分类器增强研究 | 第38-39页 |
| ·基于 Boosting 的分类器增强研究 | 第39-40页 |
| ·融合 Bootstrapping 和 Boosting 的分类器增强方法 | 第40-42页 |
| ·级联分类器设计 | 第42-48页 |
| ·基于滑动窗口的检测方法 | 第43页 |
| ·快速方差滤波 | 第43-45页 |
| ·基于随机蕨的组合分类器设计 | 第45-47页 |
| ·最近邻分类以及实现方法 | 第47-48页 |
| ·算法实现及实验结果分析 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第4章 基于无监督自举的学习方法 | 第50-59页 |
| ·半监督学习研究 | 第50-52页 |
| ·未标记数据的利用 | 第51页 |
| ·半监督学习基本假设 | 第51-52页 |
| ·基于无监督自举的在线学习方法研究 | 第52-54页 |
| ·P-N 学习方法 | 第52-54页 |
| ·P-N 学习与监督自举的对比 | 第54页 |
| ·P-N 学习稳定性分析 | 第54-56页 |
| ·从视频流中学习一个目标检测器 | 第56-58页 |
| ·问题描述 | 第56页 |
| ·目标跟踪中 P-N 学习的利用 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第5章 复杂目标跟踪及实现 | 第59-69页 |
| ·自学习的复杂目标跟踪框架 | 第60-61页 |
| ·组成部分 | 第60页 |
| ·初始化 | 第60-61页 |
| ·运行过程 | 第61页 |
| ·自学习的复杂目标跟踪算法实现 | 第61-64页 |
| ·目标表示 | 第61页 |
| ·目标模型 | 第61-62页 |
| ·算法流程 | 第62-64页 |
| ·实验及结果分析 | 第64-68页 |
| ·实验视频分析 | 第65页 |
| ·跟踪性能度量 | 第65-66页 |
| ·跟踪结果及分析 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| ·论文总结 | 第69-70页 |
| ·展望 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 附录 | 第77页 |