| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 目标跟踪算法的国内外研究现状 | 第16-19页 |
| 1.2.1 目标建模 | 第16-18页 |
| 1.2.2 目标定位 | 第18-19页 |
| 1.3 TLD框架下的跟踪算法研究现状 | 第19-20页 |
| 1.4 本文研究内容与结构安排 | 第20-21页 |
| 第二章 TLD跟踪算法概述 | 第21-31页 |
| 2.1 检测模块 | 第22-26页 |
| 2.1.1 方差分类器 | 第23页 |
| 2.1.2 集成分类器 | 第23-25页 |
| 2.1.3 最邻近分类器 | 第25-26页 |
| 2.2 跟踪模块 | 第26-28页 |
| 2.3 学习模块 | 第28-29页 |
| 2.3.1 P-N学习算法框架 | 第28-29页 |
| 2.3.2 P-expert和N-expert | 第29页 |
| 2.4 跟踪结果与检测结果的整合 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 运动目标检测算法 | 第31-37页 |
| 3.1 常见的运动目标检测方法 | 第31-34页 |
| 3.2 基于显著图的目标检测算法 | 第34-36页 |
| 3.2.1 视觉显著计算模型 | 第34页 |
| 3.2.2 SLIC超像素分割算法简介 | 第34-35页 |
| 3.2.3 基于显著图的目标检测算法介绍 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 TLD框架下的跟踪目标初始化 | 第37-51页 |
| 4.1 基于RANSAC算法的运动补偿算法 | 第37-39页 |
| 4.2 置信图 | 第39-42页 |
| 4.2.1 基于颜色对比的显著图求解 | 第39-41页 |
| 4.2.2 差分图及置信图 | 第41-42页 |
| 4.3 实验结果与分析 | 第42-48页 |
| 4.4 本章小结 | 第48-51页 |
| 第五章 改进的TLD算法 | 第51-65页 |
| 5.1 检测部分的改进 | 第51-53页 |
| 5.2 TLD跟踪算法改进 | 第53-57页 |
| 5.2.1 匹配前的预处理 | 第54-55页 |
| 5.2.2 融合Median Flow的Knn匹配算法 | 第55-57页 |
| 5.3 实验结果及分析 | 第57-64页 |
| 5.3.1 算法评价指标 | 第57页 |
| 5.3.2 实验结果与分析 | 第57-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-76页 |