基于半监督在线学习的跟踪算法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-11页 |
| 第1章 绪论 | 第11-23页 |
| ·目标跟踪的研究背景与意义 | 第11-12页 |
| ·目标跟踪的研究现状 | 第12-20页 |
| ·自底向上的模式匹配寻优法 | 第12-15页 |
| ·自顶向下的状态空间估计法 | 第15-20页 |
| ·基于在线学习的跟踪算法 | 第20-21页 |
| ·论文的研究工作及创新 | 第21-22页 |
| ·论文的章节安排 | 第22-23页 |
| 第2章 半监督在线学习 | 第23-38页 |
| ·机器学习简介 | 第23-25页 |
| ·无监督学习 | 第23页 |
| ·监督学习 | 第23-24页 |
| ·半监督学习 | 第24-25页 |
| ·增强学习 | 第25页 |
| ·Semi-Boosting 方法 | 第25-31页 |
| ·Offline Boosting | 第25-26页 |
| ·Online Boosting | 第26-30页 |
| ·Semi-Boosting | 第30-31页 |
| ·多样例学习 | 第31-34页 |
| ·P-N Learning 方法 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第3章 相关跟踪算法研究 | 第38-54页 |
| ·引言 | 第38页 |
| ·光流法 | 第38-40页 |
| ·基本约束方程 | 第39-40页 |
| ·Lucas & Kanade 算法 | 第40页 |
| ·仿射粒子滤波 | 第40-44页 |
| ·仿射群 | 第40-41页 |
| ·基于局部加权投影回归的姿态估计器 | 第41-43页 |
| ·增量自调节粒子滤波算法框架 | 第43-44页 |
| ·广义霍夫变换 | 第44-53页 |
| ·系统框架 | 第45页 |
| ·外观模型 | 第45-47页 |
| ·特征码书 | 第47-49页 |
| ·基于概率投票的目标中心估计 | 第49-50页 |
| ·可能性评估 | 第50-52页 |
| ·实验结果 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第4章 基于半监督在线学习的跟踪系统设计与实现 | 第54-67页 |
| ·目标描述与特征提取 | 第54-56页 |
| ·目标描述 | 第54-55页 |
| ·特征选择 | 第55-56页 |
| ·分类器设计 | 第56-57页 |
| ·随机森林分类器 | 第56页 |
| ·随机蕨分类器 | 第56-57页 |
| ·半监督学习算法的限制条件 | 第57-59页 |
| ·时域限制条件 | 第58页 |
| ·空间限制条件 | 第58-59页 |
| ·数据限制条件 | 第59页 |
| ·算法流程 | 第59-60页 |
| ·实验结果与分析 | 第60-66页 |
| ·Lucas & Kanade 光流法实验结果 | 第60-63页 |
| ·仿射粒子滤波实验结果 | 第63-66页 |
| ·本章小结 | 第66-67页 |
| 第5章 总结与展望 | 第67-68页 |
| ·总结 | 第67页 |
| ·展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士学位期间已发表或录用的论文 | 第74-76页 |
