| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第1章 绪论 | 第19-24页 |
| 1.1 本文的研究背景与意义 | 第19-20页 |
| 1.2 目标跟踪技术的研究现状 | 第20-22页 |
| 1.3 论文的研究内容 | 第22-23页 |
| 1.4 论文的结构安排 | 第23-24页 |
| 第2章 目标跟踪综述 | 第24-36页 |
| 2.1 引言 | 第24页 |
| 2.2 目标跟踪的基本原理及关键技术 | 第24-30页 |
| 2.2.1 单目标跟踪基本原理 | 第24-25页 |
| 2.2.2 单目标跟踪的关键技术 | 第25-29页 |
| 2.2.3 多目标跟踪基本原理 | 第29页 |
| 2.2.4 多目标跟踪的关键技术 | 第29-30页 |
| 2.3 相似性测量方法 | 第30-33页 |
| 2.4 目标跟踪分类 | 第33-34页 |
| 2.5 目标跟踪技术难点 | 第34-36页 |
| 第3章 基于梯度统计信息的GMM背景抽取方法 | 第36-54页 |
| 3.1 引言 | 第36页 |
| 3.2 运动目标的检测方法 | 第36-43页 |
| 3.2.1 运动目标检测的背景减除技术 | 第36-40页 |
| 3.2.2 基于特征的运动目标检测方法 | 第40-43页 |
| 3.3 基于梯度统计信息的GMM背景抽取算法 | 第43-49页 |
| 3.3.1 梯度统计信息计算 | 第43-44页 |
| 3.3.2 基于分裂EM算法的GMM参数估计 | 第44-47页 |
| 3.3.3 自适应学习率的背景模型更新 | 第47-49页 |
| 3.4 实验与分析 | 第49-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第4章 基于分块的多特征自适应融合目标跟踪方法 | 第54-71页 |
| 4.1 引言 | 第54-55页 |
| 4.2 常用目标跟踪算法 | 第55-57页 |
| 4.3 基于分块的多特征自适应融合目标跟踪算法 | 第57-63页 |
| 4.3.1 相关工作 | 第57-59页 |
| 4.3.2 算法描述 | 第59-63页 |
| 4.4 实验与分析 | 第63-70页 |
| 4.4.1 特征自适应权重融合与固定权重融合的比较 | 第64-65页 |
| 4.4.2 四种跟踪算法性能分析 | 第65-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第5章 基于在线学习目标模型与逐层轨迹片段关联的多目标跟踪算法 | 第71-95页 |
| 5.1 引言 | 第71页 |
| 5.2 常用的在线学习跟踪方法与目标关联跟踪方法 | 第71-79页 |
| 5.2.1 基于在线学习的目标跟踪 | 第71-79页 |
| 5.2.2 基于数据关联的目标跟踪 | 第79页 |
| 5.3 基于在线学习目标模型与逐层轨迹片段关联的多目标跟踪算法 | 第79-90页 |
| 5.3.1 算法的整体框架 | 第80-81页 |
| 5.3.2 目标轨迹片段的生成 | 第81-82页 |
| 5.3.3 在线学习外观模型 | 第82-84页 |
| 5.3.4 在线学习运动模型 | 第84-88页 |
| 5.3.5 全局跟踪轨迹片段的关联 | 第88-90页 |
| 5.4 实验与分析 | 第90-94页 |
| 5.4.1 在数据集CAVIAR上的执行性能比较 | 第90-91页 |
| 5.4.2 在数据集PETS2009上的执行性能比较 | 第91-92页 |
| 5.4.3 在数据集Trecvid2008上的执行性能比较 | 第92-94页 |
| 5.4.4 计算速度 | 第94页 |
| 5.5 本章小结 | 第94-95页 |
| 第6章 总结与展望 | 第95-98页 |
| 6.1 全文总结 | 第95-96页 |
| 6.2 今后的研究工作展望 | 第96-98页 |
| 参考文献 | 第98-110页 |
| 攻读博士学位期间参加的科研项目 | 第110-111页 |
| 攻读博士学位期间完成的成果 | 第111页 |
