| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 目标跟踪的发展现状 | 第10-12页 |
| 1.3 本文主要研究内容及创新 | 第12-13页 |
| 1.3.1 本文主要研究内容 | 第12页 |
| 1.3.2 本文主要创新点 | 第12-13页 |
| 1.4 本论文的结构安排 | 第13-14页 |
| 第二章 稀疏低秩分解引导的相似性度量 | 第14-36页 |
| 2.1 稀疏低秩分解的原理及应用 | 第15-18页 |
| 2.1.1 稀疏分解引导的相似性度量 | 第15-17页 |
| 2.1.2 低秩矩阵的恢复 | 第17-18页 |
| 2.2 超像素分割 | 第18-19页 |
| 2.3 特征提取 | 第19-21页 |
| 2.4 稀疏低秩分解引导的相似性度量模型 | 第21-23页 |
| 2.5 稀疏低秩引导的相似性度量模型的求解 | 第23-32页 |
| 2.5.1 对Z变量的迭代优化 | 第25-27页 |
| 2.5.2 对W变量和E变量的迭代优化 | 第27-29页 |
| 2.5.3 对Y1变量和Y2变量的迭代优化 | 第29页 |
| 2.5.4 稀疏低秩引导的相似性度量模型的求解结果 | 第29-32页 |
| 2.6 稀疏和低秩约束条件的作用分析 | 第32-35页 |
| 2.6.1 稀疏约束的作用 | 第32-34页 |
| 2.6.2 低秩约束的作用 | 第34-35页 |
| 2.7 本章小结 | 第35-36页 |
| 第三章 基于超像素相似性的目标轮廓跟踪方法 | 第36-53页 |
| 3.1 显著性特征目标概率图 | 第36-38页 |
| 3.2 表观特征目标概率图 | 第38-39页 |
| 3.3 基于条件随机场的目标分割 | 第39-43页 |
| 3.3.1 基于条件随机场的分割模型 | 第40-41页 |
| 3.3.2 一元能量函数权重的动态调整 | 第41-43页 |
| 3.4 模板集的更新 | 第43-45页 |
| 3.5 实验与分析 | 第45-52页 |
| 3.5.1 overlap ratio指标的评估 | 第46-48页 |
| 3.5.2 intersection-over-union ratio指标的评估 | 第48页 |
| 3.5.3 average number of errors per image指标的评估 | 第48-49页 |
| 3.5.4 目标有遮挡时的跟踪效果 | 第49-50页 |
| 3.5.5 目标尺度变化时的跟踪效果 | 第50-51页 |
| 3.5.6 算法实时性分析 | 第51-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第四章 深度卷积神经网络特征与多目标轮廓跟踪 | 第53-66页 |
| 4.1 VGGNet网络 | 第53-56页 |
| 4.2 特征的选择 | 第56-58页 |
| 4.3 基于CNN特征的稀疏低秩分解引导的相似性度量 | 第58-61页 |
| 4.4 基于CNN特征稀疏低秩分解引导的相似性度量的目标轮廓跟踪 | 第61-63页 |
| 4.5 多目标轮廓跟踪 | 第63-65页 |
| 4.6 本章小结 | 第65-66页 |
| 第五章 目标精细轮廓跟踪系统的实现 | 第66-70页 |
| 5.1 初始目标轮廓的获取 | 第66-68页 |
| 5.1.1 One Cut算法 | 第66-67页 |
| 5.1.2 交互式目标轮廓分割 | 第67-68页 |
| 5.2 目标轮廓跟踪系统的设计 | 第68-69页 |
| 5.3 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-80页 |
| 攻读硕士期间取得的成果 | 第80-81页 |
