| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 跟踪过程中存在的问题 | 第10-12页 |
| 1.4 本文主要工作及章节安排 | 第12-14页 |
| 1.4.1 论文主要工作 | 第12页 |
| 1.4.2 论文结构 | 第12-14页 |
| 2 视频目标跟踪算法 | 第14-25页 |
| 2.1 常见的目标跟踪算法 | 第14-16页 |
| 2.1.1 基于区域的目标跟踪算法 | 第14页 |
| 2.1.2 基于特征匹配的目标跟踪算法 | 第14-15页 |
| 2.1.3 基于模型的目标跟踪算法 | 第15页 |
| 2.1.4 基于轮廓的目标跟踪算法 | 第15-16页 |
| 2.1.5 基于相关滤波的目标跟踪算法 | 第16页 |
| 2.2 时空上下文跟踪算法 | 第16-20页 |
| 2.2.1 时空上下文信息 | 第16页 |
| 2.2.2 时空上下文跟踪算法 | 第16-20页 |
| 2.2.3 时空上下文算法跟踪过程 | 第20页 |
| 2.3 实验 | 第20-23页 |
| 2.3.1 实验环境 | 第20页 |
| 2.3.2 实验结果与分析 | 第20-23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 融合时空上下文与Mean Shift的目标跟踪算法 | 第25-39页 |
| 3.1 跟踪算法总体框架设计 | 第25页 |
| 3.2 相似性度量 | 第25-29页 |
| 3.2.1 直方图相似性度量 | 第26页 |
| 3.2.2 基于特征点的图像相似性度量 | 第26-28页 |
| 3.2.3 感知哈希算法的相似性度量 | 第28-29页 |
| 3.3 Mean Shift跟踪算法 | 第29-34页 |
| 3.3.1 密度估计理论 | 第29-31页 |
| 3.3.2 Mean Shift跟踪算法理论 | 第31-33页 |
| 3.3.3 Mean Shift跟踪算法结果 | 第33-34页 |
| 3.4 改进的跟踪算法 | 第34-35页 |
| 3.5 实验结果与分析 | 第35-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 时空上下文与最小二乘拟合算法相结合的跟踪算法 | 第39-52页 |
| 4.1 跟踪算法总体框架设计 | 第39页 |
| 4.2 相似性度量 | 第39-40页 |
| 4.3 目标位置预测算法 | 第40-47页 |
| 4.3.1 基于卡尔曼滤波的预测算法 | 第41-42页 |
| 4.3.2 回归分析预测算法 | 第42-43页 |
| 4.3.3 基于最小二乘曲线拟合的预测算法 | 第43-44页 |
| 4.3.4 目标位置预测算法的设计 | 第44-47页 |
| 4.4 改进的跟踪算法 | 第47页 |
| 4.5 实验结果与分析 | 第47-50页 |
| 4.6 本章小结 | 第50-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读学位期间发表的论文 | 第58页 |