基于压缩感知的运动目标跟踪研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 压缩感知研究现状 | 第11-12页 |
| 1.2.2 目标跟踪研究现状 | 第12-13页 |
| 1.3 目标跟踪技术研究难点 | 第13-14页 |
| 1.4 本文的主要工作与组织结构 | 第14-16页 |
| 1.4.1 主要工作 | 第14-15页 |
| 1.4.2 组织结构 | 第15-16页 |
| 第2章 相关理论与技术基础 | 第16-28页 |
| 2.1 压缩感知理论框架 | 第16-17页 |
| 2.2 压缩感知理论关键问题 | 第17-20页 |
| 2.2.1 信号的稀疏表示 | 第17-18页 |
| 2.2.2 观测矩阵的设计 | 第18-19页 |
| 2.2.3 数据重构算法简介 | 第19-20页 |
| 2.3 常用目标跟踪方法 | 第20-22页 |
| 2.4 跟踪目标特征描述 | 第22-23页 |
| 2.5 Haar-like特征的计算与压缩降维 | 第23-27页 |
| 2.5.1 Haar-like特征的积分图计算 | 第23-25页 |
| 2.5.2 Haar-like特征的压缩降维 | 第25-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 自适应学习快速压缩跟踪算法 | 第28-44页 |
| 3.1 引言 | 第28页 |
| 3.2 目标多尺度特征信息的提取与压缩 | 第28-30页 |
| 3.3 快速目标搜索策略 | 第30-31页 |
| 3.4 分类器构建及更新 | 第31-32页 |
| 3.5 改进的自适应学习分类器更新 | 第32-34页 |
| 3.6 改进的目标位置判断方法 | 第34-35页 |
| 3.7 改进算法流程 | 第35-36页 |
| 3.8 实验结果与分析 | 第36-43页 |
| 3.8.1 实验参数设置及结果分析 | 第37-42页 |
| 3.8.2 实验结论 | 第42-43页 |
| 3.9 本章小结 | 第43-44页 |
| 第4章 融合时空上下文信息的快速压缩跟踪算法 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 时空上下文信息预测目标位置 | 第44-47页 |
| 4.2.1 空间上下文模型与上下文先验概率模型 | 第44-45页 |
| 4.2.2 置信图与空间上下文模型的快速计算 | 第45-46页 |
| 4.2.3 时空上下文模型更新与目标位置的预测 | 第46-47页 |
| 4.3 预测目标位置对采样样本加权 | 第47-48页 |
| 4.4 改进算法流程 | 第48-49页 |
| 4.5 实验结果与分析 | 第49-55页 |
| 4.5.1 实验参数设置及结果分析 | 第49-54页 |
| 4.5.2 实验结论 | 第54-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 主要工作与创新点 | 第56-57页 |
| 5.2 未来研究工作展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-65页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第65页 |
