| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-13页 |
| 1．1 本课题的理论意义和应用价值 | 第7-9页 |
| 1．2 视觉跟踪国内外研究动态 | 第9-10页 |
| 1．3 基于偏微分方程(PDE)的图像处理研究动态 | 第10-11页 |
| 1．4 论文研究的主要内容 | 第11-13页 |
| 2 基于PDE的图像分析经典算法综述 | 第13-22页 |
| 2．1 水平集(level set)表示 | 第13-16页 |
| 2．1．1 基本概念 | 第13-14页 |
| 2．1．2 level set的经典数值解法 | 第14-15页 |
| 2．1．3 重新初始化水平集函数 | 第15-16页 |
| 2．2 测地线活动轮廓模型 | 第16-17页 |
| 2．3 基于Mumford-Shah模型的图像分割 | 第17-21页 |
| 2．3．1 基本的Mumford-Shah分割模型 | 第17页 |
| 2．3．2 无需边缘的活动轮廓模型 | 第17-19页 |
| 2．3．3 多相的M-S模型图像分割方法 | 第19-21页 |
| 2．4 小结 | 第21-22页 |
| 3 传统的运动目标跟踪方法 | 第22-46页 |
| 3．1 差分运动分析方法 | 第22-24页 |
| 3．2 光流 | 第24-30页 |
| 3．2．1 光流的基本约束方程 | 第25页 |
| 3．2．2 光流的计算技术 | 第25-30页 |
| 3．3 卡尔曼滤波 | 第30-35页 |
| 3．3．1 Kalman滤波理论 | 第30-31页 |
| 3．3．2 离散模型卡尔曼滤波基本方程 | 第31-33页 |
| 3．3．3 基于 Kalman滤波的跟踪算法 | 第33-35页 |
| 3．4 粒子滤波 | 第35-41页 |
| 3．4．1 问题描述 | 第35-36页 |
| 3．4．2 蒙特卡洛方法 | 第36-40页 |
| 3．4．3 粒子滤波算法描述 | 第40-41页 |
| 3．4．4 在视觉跟踪上的应用 | 第41页 |
| 3．5 主动形状模型 | 第41-44页 |
| 3．5．1 蛇形(snake) | 第41-43页 |
| 3．5．2 变形模板 | 第43页 |
| 3．5．3 动态轮廓 | 第43-44页 |
| 3．6 小结 | 第44-46页 |
| 4 基于光流估计及M-S模型的运动目标跟踪 | 第46-62页 |
| 4．1 本文跟踪算法的基本思想 | 第46-48页 |
| 4．2 使用光流估计评价目标及背景概率 | 第48-49页 |
| 4．3 使用level set构架最小化跟踪能量 | 第49-50页 |
| 4．4 用以最小化能量函数的扫描算法 | 第50-57页 |
| 4．4．1 Song的快速算法 | 第50-52页 |
| 4．4．2 改进的快速扫描算法 | 第52-57页 |
| 4．4．2．1 目标能量的快速扫描算法 | 第52-54页 |
| 4．4．2．2 长度项能量的快速扫描方法 | 第54-55页 |
| 4．4．2．3 边缘能量快速扫描方法 | 第55-57页 |
| 4．5 算法实现 | 第57-58页 |
| 4．6 结果与分析 | 第58-61页 |
| 4．6．1 实验结果 | 第58-61页 |
| 4．6．2 实验结果分析 | 第61页 |
| 4．7 小结 | 第61-62页 |
| 5 结束语 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
