| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要研究成果 | 第13页 |
| 1.4 本文的主要研究内容 | 第13-15页 |
| 第2章 基于反稀疏表示的视频目标跟踪算法理论基础 | 第15-24页 |
| 2.1 粒子滤波算法 | 第15-18页 |
| 2.1.1 蒙特卡洛仿真 | 第15-16页 |
| 2.1.2 序列重要性采样 | 第16页 |
| 2.1.3 粒子退化与重采样过程 | 第16-17页 |
| 2.1.4 粒子滤波应用于目标跟踪算法的实现过程 | 第17-18页 |
| 2.2 稀疏表示 | 第18-20页 |
| 2.2.1 稀疏表示模型 | 第18-19页 |
| 2.2.2 基于稀疏表示的目标跟踪算法的改进 | 第19-20页 |
| 2.3 特征提取 | 第20-22页 |
| 2.3.1 纹理特征 | 第20-21页 |
| 2.3.2 颜色特征 | 第21-22页 |
| 2.4 目标跟踪算法性能评价及技术难点 | 第22-23页 |
| 2.4.1 目标跟踪算法性能评价指标 | 第23页 |
| 2.4.2 目标跟踪算法技术难点 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 局部余弦权重结合反稀疏框架视频目标跟踪模型 | 第24-36页 |
| 3.1 引言 | 第24-25页 |
| 3.2 参数空间局部余弦权重更新结合反稀疏框架视频目标跟踪算法 | 第25-30页 |
| 3.2.1 粒子滤波框架 | 第26-27页 |
| 3.2.2 反稀疏表示 | 第27-28页 |
| 3.2.3 基于局部余弦相似度的权重训练 | 第28-30页 |
| 3.2.4 在线更新方案 | 第30页 |
| 3.3 实验结果与分析 | 第30-35页 |
| 3.3.1 定量评估 | 第31-33页 |
| 3.3.2 定性评估 | 第33-34页 |
| 3.3.3 算法关键参数分析 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 由粗及细的局部结构反稀疏目标跟踪模型 | 第36-48页 |
| 4.1 引言 | 第36-37页 |
| 4.2 由粗及细的局部结构反稀疏目标跟踪模型 | 第37-41页 |
| 4.2.1 粒子滤波框架下的由粗及细模型 | 第37页 |
| 4.2.2 局部加权距离测度 | 第37-38页 |
| 4.2.3 学习自适应局部权重 | 第38-40页 |
| 4.2.4 l_1范数和l_2范数 | 第40-41页 |
| 4.3 实验结果与分析 | 第41-47页 |
| 4.3.1 定量评估 | 第41-45页 |
| 4.3.2 定性分析 | 第45-47页 |
| 4.3.3 算法的局限性 | 第47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 多模态特征结合反稀疏外观模型的视觉目标跟踪 | 第48-55页 |
| 5.1 引言 | 第48-49页 |
| 5.2 多模态特征联合反稀疏表示的视觉目标跟踪 | 第49-51页 |
| 5.2.1 多模态特征联合反稀疏表示的目标跟踪模型 | 第49页 |
| 5.2.2 多模态特征联合反稀疏表示 | 第49-51页 |
| 5.3 多模态特征分别反稀疏表示的视觉目标跟踪 | 第51-52页 |
| 5.3.1 多模态特征分别反稀疏表示的目标跟踪模型 | 第51页 |
| 5.3.2 多模态特征分别反稀疏表示 | 第51-52页 |
| 5.4 实验结果与分析 | 第52-54页 |
| 5.4.1 多模态特征联合反稀疏表示目标跟踪算法的性能评估 | 第52页 |
| 5.4.2 多模态特征分别反稀疏表示目标跟踪算法的性能评估 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第62-63页 |
| 致谢 | 第63页 |
