| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-26页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 视觉跟踪概述 | 第16-21页 |
| 1.3.1 视觉跟踪方法分类 | 第16-20页 |
| 1.3.2 视觉跟踪的难点 | 第20-21页 |
| 1.4 行为识别方法概述 | 第21-22页 |
| 1.4.1 行为识别方法分类 | 第21-22页 |
| 1.4.2 行为识别研究存在的困难 | 第22页 |
| 1.5 本文的创新点 | 第22-24页 |
| 1.6 论文的章节安排 | 第24-25页 |
| 1.7 本章小结 | 第25-26页 |
| 第二章 相关理论知识 | 第26-41页 |
| 2.1 特征描述 | 第26-28页 |
| 2.2 粒子滤波跟踪方法 | 第28-34页 |
| 2.2.1 贝叶斯估计 | 第29-30页 |
| 2.2.2 蒙特卡洛模拟 | 第30页 |
| 2.2.3 重要性采样 | 第30-31页 |
| 2.2.4 序贯重要性采样 | 第31-33页 |
| 2.2.5 粒子滤波算法 | 第33-34页 |
| 2.3 测试数据库 | 第34-39页 |
| 2.3.1 视觉跟踪算法测试数据 | 第34-36页 |
| 2.3.2 行为识别算法测试数据 | 第36-39页 |
| 2.4 视觉跟踪评估方法 | 第39-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第三章 两步高斯混合模型的目标检测跟踪与计数方法 | 第41-54页 |
| 3.1 引言 | 第41-42页 |
| 3.2 算法原理 | 第42页 |
| 3.3 运动目标检测 | 第42-47页 |
| 3.3.1 高斯混合模型的原理 | 第43-45页 |
| 3.3.2 一种两步高斯混合模型的运动目标检测方法 | 第45-47页 |
| 3.4 形态学滤波方法 | 第47-48页 |
| 3.5 目标跟踪和计数 | 第48-49页 |
| 3.5.1 改进的跟踪方法 | 第48页 |
| 3.5.2 目标质心距离 | 第48-49页 |
| 3.6 实验结果与分析 | 第49-53页 |
| 3.7 本章小结 | 第53-54页 |
| 第四章 基于分块稀疏表示的增量学习视觉跟踪方法 | 第54-76页 |
| 4.1 引言 | 第54-55页 |
| 4.2 相关知识 | 第55-60页 |
| 4.2.1 主成分分析方法 | 第55-56页 |
| 4.2.2 分块PCA方法 | 第56-57页 |
| 4.2.3 基于子空间的增量学习方法 | 第57-58页 |
| 4.2.4 稀疏表示的理论基础 | 第58-60页 |
| 4.3 一种基于分块稀疏表示的增量学习视觉跟踪方法 | 第60-67页 |
| 4.3.1 目标的稀疏表示模型 | 第60-62页 |
| 4.3.2 基于分块PCA的加权稀疏表示模型 | 第62-63页 |
| 4.3.3 基于分块稀疏表示的增量学习视觉跟踪算法框架 | 第63-66页 |
| 4.3.4 本章跟踪算法流程 | 第66-67页 |
| 4.4 实验结果及分析 | 第67-74页 |
| 4.4.1 定性比较与分析 | 第68-72页 |
| 4.4.2 定量比较与分析 | 第72-74页 |
| 4.5 本章小结 | 第74-76页 |
| 第五章 视觉跟踪的粒子滤波融合方法 | 第76-97页 |
| 5.1 基于粒子滤波和均值迁移的多特征融合目标跟踪方法 | 第76-86页 |
| 5.1.1 引言 | 第76-77页 |
| 5.1.2 均值迁移 | 第77页 |
| 5.1.3 算法描述 | 第77-82页 |
| 5.1.4. 算法步骤 | 第82-83页 |
| 5.1.5 实验结果与分析 | 第83-86页 |
| 5.2 基于图模型的粒子滤波跟踪方法 | 第86-96页 |
| 5.2.1 引言 | 第86-87页 |
| 5.2.2 模型构建 | 第87-88页 |
| 5.2.3 图模型的粒子滤波方法 | 第88-90页 |
| 5.2.4 算法设计 | 第90-92页 |
| 5.2.5 实验结果与分析 | 第92-96页 |
| 5.3 本章小结 | 第96-97页 |
| 第六章 基于局部时空特征的局部约束群稀疏表示行为识别方法 | 第97-112页 |
| 6.1 引言 | 第97-98页 |
| 6.2 基于局部时空特征的局部约束群稀疏表示行为识别方法框架 | 第98-99页 |
| 6.3 局部时空特征的提取 | 第99-102页 |
| 6.3.1 局部时空兴趣点检测 | 第99-101页 |
| 6.3.2 局部时空特征描述 | 第101-102页 |
| 6.4 一种局部约束的群稀疏表示方法 | 第102-106页 |
| 6.4.1 群稀疏表示理论 | 第102-103页 |
| 6.4.2 LLC编码方法 | 第103-104页 |
| 6.4.3 局部约束的群稀疏表示 | 第104-105页 |
| 6.4.4 字典构造 | 第105-106页 |
| 6.5 局部约束群稀疏表示的分类 | 第106-107页 |
| 6.6 实验结果与分析 | 第107-111页 |
| 6.6.1 KTH人体行为数据库 | 第107-109页 |
| 6.6.2 UCF运动数据库 | 第109-111页 |
| 6.7 本章小结 | 第111-112页 |
| 第七章 总结与展望 | 第112-115页 |
| 7.1 本文的工作总结 | 第112-113页 |
| 7.2 未来工作展望 | 第113-115页 |
| 参考文献 | 第115-125页 |
| 攻读博士学位期间取得的科研成果 | 第125-127页 |
| 致谢 | 第127页 |
