| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 论文选题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 压缩感知实时跟踪算法 | 第12-17页 |
| 1.3.1 压缩感知原理 | 第12-13页 |
| 1.3.2 CT 算法介绍 | 第13页 |
| 1.3.3 目标特征描述 | 第13-15页 |
| 1.3.4 分类器构造及更新 | 第15-17页 |
| 1.3.5 算法步骤 | 第17页 |
| 1.4 论文的主要内容和组织结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 2 基于窗口自适应的改进多特征 CT 算法 | 第19-29页 |
| 2.1 多特征 CT 算法 | 第19-21页 |
| 2.1.1 算法简介 | 第19-21页 |
| 2.1.2 算法的优缺点 | 第21页 |
| 2.2 窗口自适应问题分析 | 第21-22页 |
| 2.3 改进算法的技术思路 | 第22-25页 |
| 2.3.1 多尺度候选目标集合选取策略 | 第22-24页 |
| 2.3.2 压缩特征的改进 | 第24-25页 |
| 2.4 改进算法的形式化描述 | 第25-27页 |
| 2.5 本章小结 | 第27-29页 |
| 3 结合子区域置信度与 Kalman 预测的改进多特征 CT 算法 | 第29-41页 |
| 3.1 遮挡问题分析及解决办法 | 第29-30页 |
| 3.2 遮挡对 CT 算法的影响 | 第30页 |
| 3.3 结合子区域置信度与卡尔曼预测的技术改进思路 | 第30-38页 |
| 3.3.1 遮挡情况的判定 | 第31-32页 |
| 3.3.2 子区域划分规则 | 第32-34页 |
| 3.3.3 Kalman 滤波预测原理 | 第34页 |
| 3.3.4 Kalman 滤波在本文目标跟踪中的建模 | 第34-35页 |
| 3.3.5 子区域置信度与 Kalman 滤波结合模型 | 第35-38页 |
| 3.4 基于分块置信度以及 kalman 预测的跟踪算法 | 第38-40页 |
| 3.4.1 算法步骤 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 实验及分析 | 第41-55页 |
| 4.1 实验数据及开发环境 | 第41-42页 |
| 4.1.1 实验硬件环境 | 第41页 |
| 4.1.2 实验环境介绍 | 第41页 |
| 4.1.3 实验数据 | 第41-42页 |
| 4.2 跟踪效果评估 | 第42页 |
| 4.3 窗口自适应实验分析及对比 | 第42-46页 |
| 4.4 遮挡跟丢现象实验分析及对比 | 第46-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-58页 |
| 5.1 研究总结 | 第55-56页 |
| 5.2 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63页 |
| A．作者在攻读硕士期间发表的论文及专利目录 | 第63页 |
| B．作者在攻读硕士期间参与发表的论文及专利目录 | 第63页 |
