基于辨别式稀疏字典学习的视觉追踪算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 本文研究背景和意义 | 第9页 |
| 1.2 视觉追踪研究现状 | 第9-15页 |
| 1.2.1 外观表示模型 | 第10-12页 |
| 1.2.2 运动估计模型 | 第12页 |
| 1.2.3 决策机制 | 第12-14页 |
| 1.2.4 模型更新 | 第14页 |
| 1.2.5 稀疏表示理论在视觉追踪中的应用 | 第14-15页 |
| 1.3 本文提出的创新点 | 第15-16页 |
| 1.4 本文结构安排 | 第16-17页 |
| 第二章 稀疏表示理论 | 第17-22页 |
| 2.1 稀疏表示模型 | 第17-18页 |
| 2.2 稀疏表示系数求解 | 第18-20页 |
| 2.2.1 贪婪法 | 第18-20页 |
| 2.2.2 松弛法 | 第20页 |
| 2.3 字典学习 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于稀疏表示的视觉追踪模型 | 第22-35页 |
| 3.1 基于?1范数最小化的追踪算法 | 第22-28页 |
| 3.1.1 粒子滤波器 | 第22-23页 |
| 3.1.2 追踪目标的稀疏表示 | 第23-24页 |
| 3.1.3 稀疏表示系数的非负性约束 | 第24-25页 |
| 3.1.4 ?1范数最小化 | 第25-27页 |
| 3.1.5 模板更新 | 第27-28页 |
| 3.2 L1-APG追踪算法 | 第28-33页 |
| 3.2.1 最小二乘误差界 | 第29页 |
| 3.2.2 基于最小误差界的重采样算法 | 第29-30页 |
| 3.2.3 视觉遮挡检测 | 第30-32页 |
| 3.2.4 改进的?1范数最小化算法 | 第32-33页 |
| 3.2.5 L1-APG追踪算法流程 | 第33页 |
| 3.3 本章小结 | 第33-35页 |
| 第四章 基于辨别式字典学习的视觉追踪算法 | 第35-49页 |
| 4.1 辨别式字典学习算法 | 第35-36页 |
| 4.2 FDDL算法模型 | 第36-41页 |
| 4.2.1 辨别式数据保真度因子 | 第37-39页 |
| 4.2.2 表示系数的辨别度因子 | 第39页 |
| 4.2.3 FDDL模型 | 第39-41页 |
| 4.3 基于辨别式字典学习的追踪模型 | 第41-47页 |
| 4.3.1 辨别式模板字典 | 第41-42页 |
| 4.3.2 追踪目标的稀疏表示 | 第42页 |
| 4.3.3 ?1范数最小化 | 第42-45页 |
| 4.3.4 基于最小误差界的重采样算法 | 第45-46页 |
| 4.3.5 模板更新 | 第46页 |
| 4.3.6 基于辨别式字典学习的追踪算法流程 | 第46-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第五章 实验验证 | 第49-58页 |
| 总结和展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间取得的研究成果 | 第64-65页 |
| 致谢 | 第65-66页 |
| 附件 | 第66页 |
