| 摘要 | 第7-9页 |
| Abstract | 第9-11页 |
| 第1章 绪论 | 第15-24页 |
| 1.1 研究背景和课题意义 | 第15-16页 |
| 1.2 单目标跟踪算法研究现状 | 第16-18页 |
| 1.3 多目标跟踪算法研究现状 | 第18-19页 |
| 1.4 基于图像块的跟踪和学习 | 第19-20页 |
| 1.5 本文的主要研究成果 | 第20-22页 |
| 1.6 论文的组织结构 | 第22-24页 |
| 第2章 基于增强型随机蕨的对象跟踪算法 | 第24-36页 |
| 2.1 引言 | 第24页 |
| 2.2 增强型随机蕨分类器 | 第24-30页 |
| 2.2.1 半朴素贝叶斯分类器 | 第25-26页 |
| 2.2.2 隐含类型 | 第26-27页 |
| 2.2.3 基于在线聚类学习的分类器训练 | 第27-29页 |
| 2.2.4 基于核密度估计的样例类型评价 | 第29-30页 |
| 2.3 跟踪系统实现 | 第30-32页 |
| 2.4 实验结果 | 第32-35页 |
| 2.4.1 实验设置 | 第32页 |
| 2.4.2 参数θ_σ选择 | 第32-34页 |
| 2.4.3 与其它跟踪算法比较 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 基于主动场景学习的对象跟踪算法 | 第36-52页 |
| 3.1 引言 | 第36页 |
| 3.2 主动场景学习 | 第36-42页 |
| 3.2.1 在线模型学习 | 第36-39页 |
| 3.2.2 场景约束 | 第39-41页 |
| 3.2.3 运动区域提取 | 第41-42页 |
| 3.3 跟踪系统实现 | 第42-45页 |
| 3.4 实验结果 | 第45-50页 |
| 3.4.1 实验设置 | 第45-46页 |
| 3.4.2 有无场景学习跟踪结果比较 | 第46-47页 |
| 3.4.3 与其它跟踪算法比较 | 第47-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第4章 基于霍夫蕨的对象跟踪算法 | 第52-60页 |
| 4.1 引言 | 第52页 |
| 4.2 霍夫蕨 | 第52-54页 |
| 4.3 对象检测与跟踪 | 第54-56页 |
| 4.4 实验结果 | 第56-59页 |
| 4.4.1 实验设置 | 第56-57页 |
| 4.4.2 基于霍夫蕨与随机蕨的跟踪性能比较 | 第57-58页 |
| 4.4.3 与其它跟踪算法比较 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 在线学习多重检测的对象跟踪算法 | 第60-72页 |
| 5.1 引言 | 第60页 |
| 5.2 多重检测器及其学习 | 第60-64页 |
| 5.3 对象检测与跟踪 | 第64-66页 |
| 5.4 实验结果 | 第66-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第6章 基于自适应运动相关协作的多目标跟踪算法 | 第72-85页 |
| 6.1 引言 | 第72页 |
| 6.2 协作模型 | 第72-75页 |
| 6.2.1 目标运动要素 | 第72-73页 |
| 6.2.2 运动相关性度量 | 第73-74页 |
| 6.2.3 目标位置估计 | 第74-75页 |
| 6.3 遮挡分析 | 第75-77页 |
| 6.4 跟踪算法 | 第77-78页 |
| 6.5 实验结果 | 第78-84页 |
| 6.6 本章小结 | 第84-85页 |
| 第7章 对象跟踪算法的应用 | 第85-93页 |
| 7.1 引言 | 第85页 |
| 7.2 基于分层检测的人体膝关节前交叉韧带定位方法 | 第85-92页 |
| 7.2.1 前交叉韧带的图像定位问题 | 第85-86页 |
| 7.2.2 全局检测器 | 第86-88页 |
| 7.2.3 局部检测器 | 第88页 |
| 7.2.4 韧带定位 | 第88-89页 |
| 7.2.5 实验结果 | 第89-92页 |
| 7.3 本章小结 | 第92-93页 |
| 结论 | 第93-97页 |
| 致谢 | 第97-98页 |
| 参考文献 | 第98-112页 |
| 攻读博士学位期间发表的学术论文及科研成果 | 第112-114页 |