| 提要 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 课题的研究背景与意义 | 第13-15页 |
| 1.2 目标跟踪发展现状 | 第15-19页 |
| 1.2.1 单目标跟踪 | 第16-18页 |
| 1.2.2 多目标跟踪 | 第18-19页 |
| 1.3 目标跟踪影响因素 | 第19-20页 |
| 1.4 本文组织结构 | 第20-21页 |
| 第2章 目标跟踪常用分类器概述 | 第21-37页 |
| 2.1 朴素贝叶斯分类器（Naive Bayes Classifier） | 第21-23页 |
| 2.1.1 朴素贝叶斯分类器的原理 | 第21-22页 |
| 2.1.2 朴素贝叶斯分类器的学习过程 | 第22页 |
| 2.1.3 朴素贝叶斯分类器的改进 | 第22-23页 |
| 2.2 K 近邻分类器（KNN） | 第23-28页 |
| 2.2.1 K 近邻分类器的原理 | 第23-26页 |
| 2.2.2 K 近邻分类器的学习过程 | 第26-27页 |
| 2.2.3 K 近邻分类器的改进 | 第27-28页 |
| 2.3 支持向量机分类器（SVM） | 第28-35页 |
| 2.3.1 支持向量机分类器的原理 | 第28-34页 |
| 2.3.2 支持向量机分类器的学习过程 | 第34-35页 |
| 2.3.3 支持向量机分类器的改进 | 第35页 |
| 2.4 本章小结 | 第35-37页 |
| 第3章 目标跟踪表示方法概述 | 第37-46页 |
| 3.1 稀疏表示的理论 | 第37-38页 |
| 3.2 基于冗余字典的超完备图像稀疏表示理论 | 第38-42页 |
| 3.2.1 超完备稀疏表示 | 第39-40页 |
| 3.2.2 贪婪算法 | 第40-41页 |
| 3.2.3 贪婪算法全局优化方法 | 第41-42页 |
| 3.3 图的显著性特征 | 第42-44页 |
| 3.3.1 颜色特征 | 第43页 |
| 3.3.2 亮度特征 | 第43-44页 |
| 3.3.3 运动信息 | 第44页 |
| 3.4 本章小结 | 第44-46页 |
| 第4章 基于信息熵特征融合的 KNN-SVM 目标跟踪 | 第46-60页 |
| 4.1 基于信息熵的特征融合 | 第46-50页 |
| 4.1.1 样本集的采样方法 | 第46-47页 |
| 4.1.2 冗余字典构造 | 第47页 |
| 4.1.3 稀疏系数作为特征 | 第47-48页 |
| 4.1.4 前景字典更新办法 | 第48-49页 |
| 4.1.5 视觉显著图 | 第49页 |
| 4.1.6 基于信息熵的自适应融合 | 第49-50页 |
| 4.2 KNN-SVM 分类器 | 第50-52页 |
| 4.2.1 KNN 分类器的不足 | 第50-51页 |
| 4.2.2 KNN-SVM 分类器详细构造过程 | 第51-52页 |
| 4.3 算法描述 | 第52-55页 |
| 4.4 实验结果 | 第55-59页 |
| 4.4.1 单帧效果分析 | 第55-57页 |
| 4.4.2 总体跟踪效果评估 | 第57-58页 |
| 4.4.3 逐帧误差对比 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 结论总结与展望 | 第60-62页 |
| 5.1 本文总结 | 第60页 |
| 5.2 工作展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 作者简介及在学期间所取得的科研成果 | 第68-69页 |
| 致谢 | 第69页 |