| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 选题背景与意义 | 第14-15页 |
| 1.2 目标跟踪技术的发展和现状 | 第15-18页 |
| 1.2.1 国外发展和现状 | 第16-17页 |
| 1.2.2 国内发展和现状 | 第17-18页 |
| 1.3 目标跟踪技术分析 | 第18-23页 |
| 1.3.1 目标跟踪技术的难点和要点 | 第18-19页 |
| 1.3.2 目标跟踪算法的分类 | 第19-23页 |
| 1.4 本文工作与安排 | 第23-24页 |
| 第二章 仿生模式识别的理论基础 | 第24-32页 |
| 2.1 同源连续性原理 | 第24-25页 |
| 2.2 仿生模式识别和传统模式识别的区别 | 第25-26页 |
| 2.2.1 认知理论 | 第25页 |
| 2.2.2 数学模型 | 第25-26页 |
| 2.3 高维仿生信息学 | 第26-31页 |
| 2.3.1 高维几何空间 | 第26-29页 |
| 2.3.2 数据的降维 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 融合图像特征的仿生模式识别目标跟踪算法 | 第32-64页 |
| 3.1 人工神经元 | 第32页 |
| 3.2 多权值神经元 | 第32-36页 |
| 3.2.1 超香肠神经元 | 第33-35页 |
| 3.2.2 三角形神经元 | 第35-36页 |
| 3.3 图像预处理 | 第36-39页 |
| 3.3.1 窗函数 | 第36-37页 |
| 3.3.2 同态滤波 | 第37-39页 |
| 3.3.3 数据归一化 | 第39页 |
| 3.4 融合HOG特征的仿生模式识别目标跟踪算法 | 第39-46页 |
| 3.4.1 HOG特征 | 第39-42页 |
| 3.4.2 巴氏距离和巴氏系数 | 第42页 |
| 3.4.3 算法设计实现和跟踪结果分析 | 第42-46页 |
| 3.5 融合SIFT的仿生模式识别目标跟踪算法 | 第46-61页 |
| 3.5.1 SIFT算法的特点 | 第46-47页 |
| 3.5.2 SIFT算法的计算步骤 | 第47-58页 |
| 3.5.3 算法设计实现和跟踪结果分析 | 第58-61页 |
| 3.6 本章小结 | 第61-64页 |
| 第四章 在线学习基础上融合图像特征的仿生模式识别目标跟踪算法 | 第64-74页 |
| 4.1 在线学习理论 | 第64-65页 |
| 4.2 创建训练样本 | 第65-67页 |
| 4.3 网络的更新 | 第67-68页 |
| 4.3.1 网络更新思想 | 第67页 |
| 4.3.2 网络的更新准则 | 第67-68页 |
| 4.4 算法设计实现和跟踪结果分析 | 第68-72页 |
| 4.4.1 在线学习基础上融合HOG特征的仿生模式识别目标跟踪算法 | 第68-70页 |
| 4.4.2 在线学习基础上融合SIFT特征的仿生模式识别目标跟踪算法 | 第70-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |
