| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 目标跟踪研究状况 | 第9-10页 |
| 1.2.2 多源目标融合跟踪现状 | 第10-12页 |
| 1.3 论文的主要工作及结构安排 | 第12-14页 |
| 1.3.1 论文的主要工作 | 第12页 |
| 1.3.2 论文的结构安排 | 第12-14页 |
| 第2章 目标跟踪理论基础 | 第14-24页 |
| 2.1 目标跟踪的基本流程 | 第14-17页 |
| 2.1.1 特征提取 | 第14-16页 |
| 2.1.2 目标模型 | 第16-17页 |
| 2.1.3 搜索机制 | 第17页 |
| 2.1.4 目标模型更新 | 第17页 |
| 2.2 均值漂移理论 | 第17-20页 |
| 2.2.1 目标模型 | 第18页 |
| 2.2.2 候选模型 | 第18页 |
| 2.2.3 相似性函数 | 第18-19页 |
| 2.2.4 目标定位 | 第19-20页 |
| 2.3 支持向量机 | 第20-23页 |
| 2.3.1 最大间隔分类器 | 第20页 |
| 2.3.2 最优分超平面 | 第20-22页 |
| 2.3.3 SVM核函数 | 第22页 |
| 2.3.4 支持向量机在目标跟踪中的应用 | 第22-23页 |
| 2.4 小结 | 第23-24页 |
| 第3章 基于Ada-boost置信图的多源目标融合跟踪算法 | 第24-38页 |
| 3.1 引言 | 第24-25页 |
| 3.2 融合置信图框架的多源目标跟踪 | 第25-31页 |
| 3.2.1 置信图生成 | 第25页 |
| 3.2.2 Ada-boost算法 | 第25-27页 |
| 3.2.3 Ada-boost置信图生成 | 第27-28页 |
| 3.2.4 红外与可见光目标模型 | 第28-29页 |
| 3.2.5 红外与可见光的候选目标模型 | 第29页 |
| 3.2.6 相似性度量 | 第29-30页 |
| 3.2.7 目标位移公式推导 | 第30页 |
| 3.2.8 算法的实现 | 第30-31页 |
| 3.3 实验与结果分析 | 第31-37页 |
| 3.3.1 融合与非融合的比较 | 第31-32页 |
| 3.3.2 与其他跟踪器比较 | 第32-36页 |
| 3.3.3 定量比较 | 第36-37页 |
| 3.4 小结 | 第37-38页 |
| 第4章 基于PCA-Struck的多源目标融合跟踪算法 | 第38-53页 |
| 4.1 引言 | 第38页 |
| 4.2 可见光与红外图像融合 | 第38-40页 |
| 4.2.1 基于加权平均的图像融合 | 第38-39页 |
| 4.2.2 基于PCA融合算法 | 第39-40页 |
| 4.3 基于Struck融合跟踪算法 | 第40-45页 |
| 4.3.1 目标表示模型 | 第41-42页 |
| 4.3.2 目标定位 | 第42页 |
| 4.3.3 结构化输出SVM | 第42-44页 |
| 4.3.4 在线学习更新 | 第44-45页 |
| 4.4 实验结果与分析 | 第45-52页 |
| 4.4.1 融合与非融合的比较 | 第46-47页 |
| 4.4.2 与TIVA跟踪器比较 | 第47-48页 |
| 4.4.3 与其他跟踪器比较 | 第48-51页 |
| 4.4.4 定量比较 | 第51-52页 |
| 4.5 小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-54页 |
| 5.1 本文总结 | 第53页 |
| 5.2 研究展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间的科研成果和其他获奖情况 | 第57-58页 |
| 致谢 | 第58-59页 |