| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 国内外研究动态及发展趋势 | 第7-8页 |
| 1.3 目标跟踪的难点 | 第8-9页 |
| 1.4 本文主要工作及创新 | 第9-10页 |
| 1.5 本文章节安排 | 第10-11页 |
| 第二章 基础理论与关键技术 | 第11-19页 |
| 2.1 贝叶斯滤波基础 | 第11-14页 |
| 2.1.1 贝叶斯滤波 | 第11-12页 |
| 2.1.2 粒子滤波 | 第12-14页 |
| 2.2 相关滤波 | 第14-18页 |
| 2.2.1 相关滤波概念 | 第14-15页 |
| 2.2.2 提取样本特征 | 第15-17页 |
| 2.2.3 核相关滤波器 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 基于图结构的多任务稀疏模型目标跟踪 | 第19-33页 |
| 3.1 结构化稀疏模型 | 第19-21页 |
| 3.1.1 稀疏表达 | 第19-21页 |
| 3.1.2 多任务学习 | 第21页 |
| 3.2 图结构多任务稀疏模型 | 第21-24页 |
| 3.3 动态模型、观测模型与模板更新 | 第24-26页 |
| 3.3.1 动态模型 | 第24页 |
| 3.3.2 观测模型 | 第24-25页 |
| 3.3.3 模板更新 | 第25-26页 |
| 3.4 实验结果与分析 | 第26-32页 |
| 3.4.1 数据集与评价指标 | 第26页 |
| 3.4.2 参数设置 | 第26页 |
| 3.4.3 定量分析 | 第26-30页 |
| 3.4.4 定性分析 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 融合似物性采样的多特征相关滤波跟踪算法 | 第33-45页 |
| 4.1 相关滤波跟踪框架 | 第33页 |
| 4.2 多特征融合 | 第33-34页 |
| 4.3 似物性采样 | 第34-37页 |
| 4.3.1 结构化边缘检测 | 第34页 |
| 4.3.2 边缘分组 | 第34-35页 |
| 4.3.3 窗口似物性估计 | 第35-37页 |
| 4.4 融合似物性采样 | 第37-38页 |
| 4.5 实验结果与分析 | 第38-44页 |
| 4.5.1 数据集与评价指标 | 第38页 |
| 4.5.2 参数设置 | 第38-39页 |
| 4.5.3 定量分析 | 第39-42页 |
| 4.5.4 定性分析 | 第42-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 融合深度特征表达与似物性采样的目标跟踪算法 | 第45-57页 |
| 5.1 卷积神经网络 | 第45-47页 |
| 5.1.1 卷积神经网络结构 | 第45-46页 |
| 5.1.2 深度卷积神经网络VGG-19 | 第46-47页 |
| 5.2 融合深度特征与似物性采样 | 第47-50页 |
| 5.2.1 深度特征表达 | 第48页 |
| 5.2.2 似物性采样 | 第48-50页 |
| 5.3 实验结果与分析 | 第50-56页 |
| 5.3.1 数据集与评价指标 | 第50页 |
| 5.3.2 参数设置 | 第50页 |
| 5.3.3 定量分析 | 第50-54页 |
| 5.3.4 定性分析 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 主要结论与展望 | 第57-59页 |
| 主要结论 | 第57页 |
| 展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录： 作者在攻读硕士学位期间发表的论文 | 第64页 |