| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-20页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 目标检测方法研究现状 | 第13-15页 |
| 1.2.2 跟踪过程中的目标遮挡 | 第15-16页 |
| 1.2.3 抗遮挡目标跟踪算法研究现状 | 第16-18页 |
| 1.3 本文主要工作及内容安排 | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 2 Mean Shift目标跟踪算法 | 第20-34页 |
| 2.1 无参数密度估计 | 第20-23页 |
| 2.2 Mean Shift算法基本原理 | 第23-25页 |
| 2.3 Mean Shift算法中颜色空间的选择 | 第25-26页 |
| 2.4 Mean Shift目标跟踪过程 | 第26-29页 |
| 2.4.1 目标模型的建立 | 第26页 |
| 2.4.2 候选模型的建立 | 第26页 |
| 2.4.3 相似度判定方法 | 第26-27页 |
| 2.4.4 跟踪算法实现及流程图 | 第27-29页 |
| 2.5 Mean Shift算法的不足 | 第29-33页 |
| 2.6 本章小结 | 第33-34页 |
| 3 抗遮挡目标跟踪算法 | 第34-50页 |
| 3.1 基于模板分块匹配的Mean Shift目标跟踪算法 | 第34-38页 |
| 3.1.1 目标分块原理 | 第34-35页 |
| 3.1.2 算法流程和实现 | 第35-36页 |
| 3.1.3 实验结果和分析 | 第36-38页 |
| 3.1.4 分块Mean Shift算法的优势和不足 | 第38页 |
| 3.2 基于卡尔曼滤波的Mean Shift目标跟踪算法 | 第38-49页 |
| 3.2.1 贝叶斯理论 | 第39-40页 |
| 3.2.2 卡尔曼滤波简介 | 第40页 |
| 3.2.3 卡尔曼滤波基本原理 | 第40-43页 |
| 3.2.4 卡尔曼滤波的特点 | 第43-44页 |
| 3.2.5 卡尔曼滤波的稳定性和误差分析 | 第44-45页 |
| 3.2.6 算法流程和实现 | 第45-48页 |
| 3.2.7 实验结果和分析 | 第48-49页 |
| 3.3 本章小结 | 第49-50页 |
| 4 ELM位置预测理论及改进 | 第50-62页 |
| 4.1 人工神经网络 | 第50-55页 |
| 4.1.1 神经网络分类 | 第51-52页 |
| 4.1.2 前馈神经网络模型 | 第52-54页 |
| 4.1.3 传统前馈神经网络的不足 | 第54-55页 |
| 4.2 极限学习机 | 第55-57页 |
| 4.3 基于递归最小二乘法的ELM | 第57-60页 |
| 4.3.1 基于误差最小化的ELM | 第57-58页 |
| 4.3.2 递归最小二乘法 | 第58-59页 |
| 4.3.3 基于递归最小二乘法的ELM | 第59-60页 |
| 4.4 仿真结果与分析 | 第60页 |
| 4.5 本章小结 | 第60-62页 |
| 5 ELM与Mean Shift相结合的抗遮挡目标跟踪算法 | 第62-72页 |
| 5.1 位置预测原理 | 第62-63页 |
| 5.2 ELM与Mean Shift相结合的目标跟踪算法 | 第63-66页 |
| 5.3 实验结果及分析 | 第66-71页 |
| 5.3.1 对高速运动目标进行跟踪的结果对比 | 第66-68页 |
| 5.3.2 对部分遮挡目标进行跟踪的结果对比 | 第68-70页 |
| 5.3.3 对完全遮挡目标进行跟踪的结果对比 | 第70-71页 |
| 5.3.4 实验结论 | 第71页 |
| 5.4 本章小结 | 第71-72页 |
| 6 总结与展望 | 第72-74页 |
| 6.1 结论 | 第72页 |
| 6.2 展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第80页 |
