| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景及研究意义 | 第10-11页 |
| 1.2 目标跟踪的研究现状 | 第11-14页 |
| 1.2.1 单目标跟踪的主要研究方法 | 第11-13页 |
| 1.2.2 多目标跟踪的主要研究方法 | 第13-14页 |
| 1.3 论文主要内容与章节安排 | 第14-16页 |
| 第二章 单目标跟踪介绍与问题分析 | 第16-29页 |
| 2.1 引言 | 第16-18页 |
| 2.2 卡尔曼与粒子滤波 | 第18-21页 |
| 2.3 基于Tracking-by-detection的跟踪算法 | 第21-27页 |
| 2.3.1 Online-boosting | 第21-23页 |
| 2.3.2 实时的压缩感知跟踪算法 | 第23-25页 |
| 2.3.3 压缩感知相关实验以及问题分析 | 第25-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 基于粒子滤波框架的压缩感知跟踪算法 | 第29-47页 |
| 3.1 粒子滤波框架作为算法运动模型 | 第30-35页 |
| 3.1.1 粒子状态转移 | 第31-32页 |
| 3.1.2 检测 | 第32-33页 |
| 3.1.3 粒子权值 | 第33-34页 |
| 3.1.4 重采样 | 第34-35页 |
| 3.2 分类器 | 第35-38页 |
| 3.2.1 朴素贝叶斯分类器 | 第35-37页 |
| 3.2.2 改进的朴素贝叶斯分类器 | 第37-38页 |
| 3.3 实验及分析 | 第38-46页 |
| 3.3.1 与tracking-by-detection算法比较 | 第38-42页 |
| 3.3.2 与TLD算法的比较 | 第42-44页 |
| 3.3.3 参数分析 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 基于在线学习的两步骤多目标跟踪算法 | 第47-69页 |
| 4.1 基于目标轨迹置信度的两步联想 | 第48-54页 |
| 4.1.1 目标轨迹置信度 | 第48-50页 |
| 4.1.2 第一步联想 | 第50-51页 |
| 4.1.3 第二步联想 | 第51页 |
| 4.1.4 联想策略分析 | 第51-54页 |
| 4.2 相似性度量与优化 | 第54-61页 |
| 4.2.1 基于在线学习的外观模型 | 第55-57页 |
| 4.2.2 运动与尺度模型 | 第57-58页 |
| 4.2.3 优化算法 | 第58-61页 |
| 4.3 实验与分析 | 第61-67页 |
| 4.3.1 遮挡与漏检 | 第61-64页 |
| 4.3.2 不准确检测 | 第64-65页 |
| 4.3.3 新目标的判断 | 第65-67页 |
| 4.3.4 目标消失的判断 | 第67页 |
| 4.4 本章小结 | 第67-69页 |
| 第五章 研究总结与展望 | 第69-70页 |
| 5.1 主要工作与创新点 | 第69页 |
| 5.2 后续研究工作 | 第69-70页 |
| 参考 文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间已发表或录用的论文 | 第77页 |