基于稀疏表示和压缩感知的目标检测与跟踪研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-10页 |
| Contents | 第10-13页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 目标检测 | 第14-16页 |
| 1.2.2 目标跟踪 | 第16-19页 |
| 1.3 技术难点 | 第19-20页 |
| 1.4 论文研究内容 | 第20-23页 |
| 1.4.1 论文的主要工作与贡献 | 第20-21页 |
| 1.4.2 论文的结构安排 | 第21-23页 |
| 第二章 压缩感知理论 | 第23-31页 |
| 2.1 压缩感知的提出 | 第23页 |
| 2.2 压缩感知原理 | 第23-27页 |
| 2.2.1 信号的稀疏表示 | 第24-25页 |
| 2.2.2 测量矩阵 | 第25-26页 |
| 2.2.3 信号恢复算法 | 第26-27页 |
| 2.3 压缩感知应用 | 第27-28页 |
| 2.4 稀疏表示 | 第28-29页 |
| 2.4.1 稀疏表示理论 | 第28-29页 |
| 2.4.2 基于稀疏表示的目标检测 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 基于分层模型的背景差分目标检测算法 | 第31-55页 |
| 3.1 背景差分方法(BGS) | 第31-34页 |
| 3.1.1 背景建模 | 第31-33页 |
| 3.1.2 目标检测 | 第33-34页 |
| 3.2 基于动态组稀疏的背景差分 | 第34-40页 |
| 3.2.1 动态组稀疏 | 第34页 |
| 3.2.2 DGS的数据恢复 | 第34-38页 |
| 3.2.3 基于DGS的背景差分算法 | 第38-40页 |
| 3.3 在线字典学习 | 第40-44页 |
| 3.3.1 稀疏字典 | 第40-41页 |
| 3.3.2 字典构建 | 第41-42页 |
| 3.3.3 在线字典学习 | 第42-44页 |
| 3.4 分层模型检测 | 第44-46页 |
| 3.5 实验结果与分析 | 第46-53页 |
| 3.6 本章小结 | 第53-55页 |
| 第四章 基于MCMC的压缩感知跟踪方法 | 第55-79页 |
| 4.1 基于压缩感知的特征提取 | 第55-58页 |
| 4.1.1 特征描述 | 第55-56页 |
| 4.1.2 随机投影原理 | 第56-57页 |
| 4.1.3 特征压缩 | 第57-58页 |
| 4.2 基于置信值的MCMC采样 | 第58-63页 |
| 4.2.1 朴素贝叶斯分类器 | 第58-60页 |
| 4.2.2 分类器更新 | 第60-61页 |
| 4.2.3 MCMC采样 | 第61-62页 |
| 4.2.4 基于置信值的MCMC采样 | 第62-63页 |
| 4.3 目标跟踪策略 | 第63-66页 |
| 4.3.1 更新策略 | 第63-64页 |
| 4.3.2 两阶段跟踪策略 | 第64-66页 |
| 4.4 实验结果与分析 | 第66-77页 |
| 4.4.1 实验参数设置 | 第66页 |
| 4.4.2 与其它算法的定性比较 | 第66-75页 |
| 4.4.3 与其它算法的定量比较 | 第75-77页 |
| 4.5 本章小结 | 第77-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 5.1 总结 | 第79页 |
| 5.2 展望 | 第79-81页 |
| 参考文献 | 第81-89页 |
| 攻读硕士学位期间发表论文及科研情况 | 第89-91页 |
| 致谢 | 第91页 |
