基于自适应低秩子空间在线优化的视频追踪
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 本文贡献 | 第10-11页 |
| 1.4 本文的主要内容及章节安排 | 第11-12页 |
| 2 基于子空间的视频追踪算法 | 第12-23页 |
| 2.1 基于传统子空间的视频追踪 | 第12-15页 |
| 2.1.1 主成分分析 | 第12-13页 |
| 2.1.2 基于增量PCA的视频追踪 | 第13-15页 |
| 2.2 基于稀疏子空间的视频追踪 | 第15-19页 |
| 2.2.1 稀疏表示 | 第15-17页 |
| 2.2.2 基于l_1最小化的视频追踪 | 第17-19页 |
| 2.3 基于低秩子空间的视频追踪 | 第19-23页 |
| 2.3.1 Robust PCA | 第19-20页 |
| 2.3.2 基于增量低秩特征学习的视频追踪 | 第20-23页 |
| 3 自适应低秩子空间学习模型和在线优化 | 第23-32页 |
| 3.1 带有自适应约束的低秩子空间学习 | 第23-26页 |
| 3.1.1 引言 | 第23-24页 |
| 3.1.2 自适应约束的构造 | 第24-26页 |
| 3.1.2.1 生成类的自适应约束 | 第24-25页 |
| 3.1.2.2 判别类的自适应约束 | 第25-26页 |
| 3.2 在线优化算法 | 第26-30页 |
| 3.2.1 初始化低秩子空间 | 第27页 |
| 3.2.2 在线更新 | 第27-29页 |
| 3.2.3 复杂度分析 | 第29-30页 |
| 3.3 人脸图像分析 | 第30-32页 |
| 4 基于自适应低秩子空间在线优化的视频追踪 | 第32-41页 |
| 4.1 视频追踪的粒子滤波框架 | 第32-33页 |
| 4.2 实验结果与评价 | 第33-41页 |
| 4.2.1 l_1范数和l_(2,1)范数的对比 | 第34页 |
| 4.2.2 综合评价 | 第34-41页 |
| 4.2.2.1 定性评价 | 第34-36页 |
| 4.2.2.2 定量评价 | 第36-41页 |
| 结论 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 攻读硕士学位期间发表学术论文情况 | 第46-48页 |
| 致谢 | 第48-50页 |
