基于机器学习的目标跟踪技术研究
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 目录 | 第10-13页 |
| 第1章 绪论 | 第13-25页 |
| 1.1 课题研究背景及意义 | 第13-17页 |
| 1.2 目标跟踪的分类 | 第17-19页 |
| 1.3 目标跟踪技术的研究现状 | 第19-22页 |
| 1.4 论文的研究内容与章节安排 | 第22-25页 |
| 第2章 基于机器学习的目标跟踪方法综述 | 第25-45页 |
| 2.1 引言 | 第25-27页 |
| 2.2 机器学习的分类 | 第27-30页 |
| 2.2.1 无监督学习 | 第27页 |
| 2.2.2 监督学习 | 第27-28页 |
| 2.2.3 半监督学习 | 第28-29页 |
| 2.2.4 增强学习 | 第29-30页 |
| 2.3 几种典型基于机器学习的跟踪算法 | 第30-44页 |
| 2.3.1 Boosting方法 | 第30-40页 |
| 2.3.2 P-N Learning | 第40-44页 |
| 2.4 本章小结 | 第44-45页 |
| 第3章 自适应学习相关滤波的目标跟踪 | 第45-63页 |
| 3.1 引言 | 第45-46页 |
| 3.2 传统的空域相关跟踪 | 第46-49页 |
| 3.3 相关滤波跟踪 | 第49-57页 |
| 3.3.1 循环矩阵 | 第49-50页 |
| 3.3.2 基于相关滤波的跟踪 | 第50-54页 |
| 3.3.3 滤波器的在线学习更新 | 第54-57页 |
| 3.4 实验结果与分析 | 第57-62页 |
| 3.5 本章小结 | 第62-63页 |
| 第4章 在线加权多示例学习目标跟踪算法 | 第63-87页 |
| 4.1 引言 | 第63-65页 |
| 4.2 样本的Haar-like特征 | 第65-68页 |
| 4.3 多示例学习跟踪算法 | 第68-71页 |
| 4.4 在线多示例学习目标跟踪算法 | 第71-79页 |
| 4.4.1 正负样本的选取 | 第71-73页 |
| 4.4.2 训练分类器 | 第73-75页 |
| 4.4.3 弱分类器的选择 | 第75-79页 |
| 4.5 实验结果与分析 | 第79-86页 |
| 4.6 本章小结 | 第86-87页 |
| 第5章 特征压缩距离度量学习目标跟踪 | 第87-109页 |
| 5.1 引言 | 第87-88页 |
| 5.2 距离度量 | 第88-92页 |
| 5.2.1 常用的距离度量 | 第88-90页 |
| 5.2.2 Mahalanobis距离 | 第90-92页 |
| 5.3 特征压缩 | 第92-95页 |
| 5.3.1 随机投影 | 第92-93页 |
| 5.3.2 随机测量矩阵 | 第93-94页 |
| 5.3.3 压缩特征提取 | 第94-95页 |
| 5.4 距离度量学习跟踪算法 | 第95-99页 |
| 5.4.1 算法概略 | 第95-96页 |
| 5.4.2 度量矩阵G的训练 | 第96-99页 |
| 5.5 实验结果与分析 | 第99-107页 |
| 5.6 本章小结 | 第107-109页 |
| 第6章 结论与展望 | 第109-113页 |
| 6.1 论文工作总结 | 第109-110页 |
| 6.2 论文创新点 | 第110-111页 |
| 6.3 研究展望 | 第111-113页 |
| 参考文献 | 第113-121页 |
| 在学期间学术成果情况 | 第121-123页 |
| 指导教师及作者简介 | 第123-125页 |
| 致谢 | 第125-126页 |
