| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-19页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 视频目标跟踪技术的应用 | 第8-10页 |
| 1.3 国内外研究现状 | 第10-14页 |
| 1.4 面临的挑战 | 第14-15页 |
| 1.5 目标跟踪算法评价体系 | 第15-17页 |
| 1.6 本文的主要研究内容和论文结构 | 第17-19页 |
| 1.6.1 研究内容 | 第17-18页 |
| 1.6.2 论文结构 | 第18-19页 |
| 第2章 HLBP与颜色特征自适应融合的粒子滤波目标跟踪改进算法 | 第19-38页 |
| 2.1 粒子滤波理论 | 第19-24页 |
| 2.1.1 贝叶斯滤波原理 | 第19-20页 |
| 2.1.2 蒙特卡罗采样 | 第20-21页 |
| 2.1.3 贝叶斯重要性采样 | 第21-22页 |
| 2.1.4 序贯重要性采样 | 第22-23页 |
| 2.1.5 粒子退化和重采样 | 第23页 |
| 2.1.6 粒子滤波的算法流程 | 第23-24页 |
| 2.2 目标特征提取 | 第24-29页 |
| 2.2.1 颜色特征 | 第25-26页 |
| 2.2.2 纹理特征 | 第26-29页 |
| 2.3 自适应特征融合的粒子滤波目标跟踪改进算法 | 第29-34页 |
| 2.3.1 自适应特征融合 | 第29页 |
| 2.3.2 权重自适应调整 | 第29-30页 |
| 2.3.3 相似性度量 | 第30-31页 |
| 2.3.4 自适应权重的计算 | 第31-32页 |
| 2.3.5 改进算法步骤 | 第32-34页 |
| 2.4 实验结果 | 第34-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 基于自适应学习率的卷积神经网络在线学习目标跟踪改进算法 | 第38-61页 |
| 3.1 卷积神经网络 | 第39-48页 |
| 3.1.1 发展历史 | 第39页 |
| 3.1.2 基本概念 | 第39页 |
| 3.1.3 组成部分 | 第39-48页 |
| 3.2 神经网络模型 | 第48-53页 |
| 3.2.1 经典的神经网络模型 | 第48-50页 |
| 3.2.2 神经网络模型在目标跟踪中的应用 | 第50-53页 |
| 3.3 基于自适应学习率的卷积神经网络在线学习目标跟踪算法的改进 | 第53-57页 |
| 3.3.1 在线学习目标跟踪框架 | 第54-56页 |
| 3.3.2 自适应学习率 | 第56-57页 |
| 3.3.3 改进的算法步骤 | 第57页 |
| 3.5 实验结果 | 第57-60页 |
| 3.6 本章小结 | 第60-61页 |
| 第4章 运动物体自动检测和跟踪在视频监控中的应用 | 第61-72页 |
| 4.1 常用的目标检测算法 | 第61-64页 |
| 4.1.1 背景减法 | 第61-62页 |
| 4.1.2 帧差法 | 第62-63页 |
| 4.1.3 光流法 | 第63-64页 |
| 4.2 图像预处理 | 第64-66页 |
| 4.2.1 形态学滤波 | 第64-65页 |
| 4.2.2 图像去噪 | 第65-66页 |
| 4.3 运动物体自动检测与跟踪视频监控系统的设计 | 第66-70页 |
| 4.3.1 结合边缘检测与帧差法的运动目标检测算法 | 第66-68页 |
| 4.3.2 CamShift目标跟踪算法 | 第68-69页 |
| 4.3.3 视频监控系统的设计步骤 | 第69-70页 |
| 4.4 实验结果 | 第70-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第5章 总结和展望 | 第72-74页 |
| 5.1 总结 | 第72-73页 |
| 5.2 展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 研究生期间成果 | 第79-80页 |
| 致谢 | 第80页 |
