| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-20页 |
| ·研究背景和意义 | 第10-13页 |
| ·国内外研究现状 | 第13-18页 |
| ·相关理论研究动态 | 第13页 |
| ·国内外最新研究成果 | 第13-14页 |
| ·跟踪算法的分类 | 第14-18页 |
| ·论文研究内容与章节安排. | 第18页 |
| ·小结 | 第18-20页 |
| 第2章 基于在线boosting 视觉目标跟踪的研究 | 第20-38页 |
| ·引言 | 第20页 |
| ·集成学习 | 第20-24页 |
| ·分类问题 | 第21页 |
| ·集成学习的概念 | 第21-24页 |
| ·AdaBoost 方法概述 | 第24-27页 |
| ·PAC 学习模型 | 第24-25页 |
| ·弱学习与强学习 | 第25-26页 |
| ·Boosting 方法 | 第26-27页 |
| ·Ensemble Tracking | 第27-31页 |
| ·弱分类器 | 第28页 |
| ·分类器更新 | 第28-29页 |
| ·异常点排除 | 第29页 |
| ·目标定位 | 第29-31页 |
| ·基于自适应线性弱分类器的在线boosting 跟踪算法 | 第31-36页 |
| ·自适应的线性弱分类器 | 第32-33页 |
| ·基于自适应线性弱分类器的在线boosting 算法 | 第33-36页 |
| ·小结 | 第36-38页 |
| 第3章 基于鲁棒特征的在线boosting 跟踪算法 | 第38-54页 |
| ·引言 | 第38页 |
| ·张量特征 | 第38-40页 |
| ·张量及其基本运算 | 第38-39页 |
| ·Tensor 特征提取 | 第39页 |
| ·基于tensor 特征的在线boosting 跟踪算法 | 第39-40页 |
| ·Gabor 滤波 | 第40-45页 |
| ·局部 Gabor 滤波 | 第41-42页 |
| ·自适应的Gabor 滤波器组参数设置 | 第42-44页 |
| ·基于Gabor 滤波的在线boosting 跟踪算法 | 第44-45页 |
| ·实验结果与分析 | 第45-54页 |
| 第4章 基于最小平方核回归的在线boosting 跟踪算法 | 第54-72页 |
| ·引言 | 第54页 |
| ·核方法 | 第54-62页 |
| ·几种基本核函数 | 第56-58页 |
| ·在线稀疏 | 第58-59页 |
| ·基于核方法的最小平方回归 | 第59-62页 |
| ·基于核回归的在线boosting 算法 | 第62-65页 |
| ·离线boosting. | 第62-63页 |
| ·在线boosting. | 第63-65页 |
| ·实验结果及分析 | 第65-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 攻读学位期间发表论文与研究成果清单 | 第80-82页 |
| 致谢 | 第82页 |
