| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·课题研究的背景及意义 | 第7-8页 |
| ·目标跟踪研究现状 | 第8-9页 |
| ·本文研究内容 | 第9-10页 |
| ·论文组织结构 | 第10-11页 |
| 2 Kalman 滤波理论及扩展 | 第11-16页 |
| ·Kalman 滤波理论 | 第11-13页 |
| ·kalman 数学原理 | 第11-13页 |
| ·随机线性的离散系统 Kalman 方程 | 第13页 |
| ·Kalman 运动估计及扩展 | 第13-16页 |
| 3 基于图像 2bitBP 特征的随机森林算法 | 第16-26页 |
| ·决策树理论 | 第16-18页 |
| ·Interactive Dicremiser versions 3 | 第16-17页 |
| ·二叉决策树 | 第17-18页 |
| ·随机森林算法 | 第18-20页 |
| ·袋外数据估计 | 第19页 |
| ·变量重要性评估 | 第19-20页 |
| ·随机森林的构建方法 | 第20页 |
| ·随机森林算法与图像 2bitBP 特征 | 第20-24页 |
| ·图像特征提取之 HOG 特征 | 第20-21页 |
| ·图像特征提取之 Haar 特征 | 第21-23页 |
| ·图像特征提取之 LBP 特征 | 第23-24页 |
| ·图像特征提取之 2bitBP 特征 | 第24页 |
| ·基于图像 2bitBP 特征的随机森林算法实现 | 第24-26页 |
| 4 基于正负样本的学习训练过程 | 第26-31页 |
| ·P-N 学习介绍 | 第26页 |
| ·P-N 学习过程实现 | 第26-31页 |
| ·分类器改善的实现 | 第27页 |
| ·约束条件的形成 | 第27-30页 |
| ·在线 P-N 学习 | 第30-31页 |
| 5 基于前后误差的 Median Flow 跟踪算法 | 第31-37页 |
| ·Lucas-Kanade 算法 | 第31-33页 |
| ·Median Flow 跟踪算法 | 第33-37页 |
| ·前后误差 | 第34页 |
| ·跟踪点选择策略 | 第34-35页 |
| ·Median Flow 算法实现 | 第35-37页 |
| 6 基于 Kalman 的 TLD 跟踪器的实现 | 第37-56页 |
| ·TLD 介绍 | 第37-38页 |
| ·TLD 算法尚存问题 | 第38页 |
| ·基于 Kalman 的 TLD 跟踪器思路 | 第38-40页 |
| ·算法跟踪器描述 | 第40-41页 |
| ·算法检测器描述 | 第41-43页 |
| ·最近邻分类器 P-N 学习更新过程 | 第43-45页 |
| ·先决条件 | 第43页 |
| ·目标模型 | 第43-44页 |
| ·最近邻分类器 P-N 学习约束条件实现 | 第44-45页 |
| ·随机森林分类器 P-N 学习更新过程 | 第45-48页 |
| ·随机森林分类器 P-N 学习过程实现 | 第45-46页 |
| ·随机森林分类器 P-N 学习过程约束条件实现 | 第46-47页 |
| ·视频序列的处理 | 第47页 |
| ·性能评估 | 第47-48页 |
| ·参数设置 | 第48页 |
| ·算法整合器描述 | 第48页 |
| ·运行结果及其分析 | 第48-56页 |
| ·场景一 | 第49-51页 |
| ·场景二 | 第51-52页 |
| ·场景三 | 第52-54页 |
| ·场景四 | 第54-56页 |
| 总结与展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-59页 |