| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 缩略词注释表 | 第13-15页 |
| 第一章 绪论 | 第15-39页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 目标跟踪算法的分类及面临的挑战 | 第17-21页 |
| 1.3.1 目标跟踪算法的分类 | 第17-20页 |
| 1.3.2 目标跟踪面临的挑战 | 第20-21页 |
| 1.4 当前主流目标跟踪算法综述 | 第21-32页 |
| 1.4.1 基于粒子滤波的目标跟踪 | 第22-23页 |
| 1.4.2 基于均值移动的目标跟踪 | 第23-24页 |
| 1.4.3 基于片段的目标跟踪 | 第24-25页 |
| 1.4.4 基于子空间的目标跟踪 | 第25-27页 |
| 1.4.5 基于稀疏表示的目标跟踪 | 第27-29页 |
| 1.4.6 基于判别式模型的目标跟踪 | 第29-30页 |
| 1.4.7 基于检测的跟踪方法 | 第30-32页 |
| 1.5 目标跟踪算法性能的评价准则 | 第32-35页 |
| 1.5.1 单目标跟踪算法的评价准则 | 第32-34页 |
| 1.5.2 多目标跟踪算法的评价准则 | 第34-35页 |
| 1.6 本文算法评测数据库介绍 | 第35-36页 |
| 1.7 论文的主要工作 | 第36-37页 |
| 1.8 论文的结构安排 | 第37-39页 |
| 第二章 基于粒子群优化的目标跟踪算法 | 第39-59页 |
| 2.1 引言 | 第39-40页 |
| 2.2 粒子群优化算法 | 第40-41页 |
| 2.3 SIFT特征描述子 | 第41-43页 |
| 2.4 基于PSO的目标跟踪算法 | 第43-48页 |
| 2.4.1 目标运动模型 | 第44页 |
| 2.4.2 目标表观模型 | 第44-46页 |
| 2.4.3 表观模型更新 | 第46-48页 |
| 2.5 实验结果与分析 | 第48-56页 |
| 2.5.1 实验环境及参数设置 | 第48页 |
| 2.5.2 定性分析 | 第48-50页 |
| 2.5.3 定量分析 | 第50-52页 |
| 2.5.4 扩展到对多个目标的跟踪 | 第52-55页 |
| 2.5.5 计算代价 | 第55-56页 |
| 2.6 本章小结 | 第56-59页 |
| 第三章 等级关联的粒子群迭代多目标检测跟踪 | 第59-71页 |
| 3.1 引言 | 第59-60页 |
| 3.2 Metropolis-Hastings采样 | 第60-61页 |
| 3.3 问题的描述 | 第61-62页 |
| 3.4 等级关联的粒子群迭代多目标检测跟踪算法 | 第62-66页 |
| 3.4.1 等级关联结构 | 第62-65页 |
| 3.4.1.1 粗匹配阶段 | 第63-64页 |
| 3.4.1.2 精确定位阶段 | 第64-65页 |
| 3.4.2 漏检目标和遮挡目标的处理 | 第65-66页 |
| 3.5 实验结果与分析 | 第66-69页 |
| 3.5.1 实验环境的建立及算法的评价准则 | 第66页 |
| 3.5.2 实验结果及分析 | 第66-68页 |
| 3.5.2.1 遮挡环境下目标数目固定的跟踪结果 | 第66-67页 |
| 3.5.2.2 复杂环境下目标数目变化的跟踪结果 | 第67-68页 |
| 3.5.3 不同算法跟踪性能的比较 | 第68-69页 |
| 3.6 本章小结 | 第69-71页 |
| 第四章 基于超像素的在线跟踪 | 第71-93页 |
| 4.1 引言 | 第71-72页 |
| 4.2 L1范数跟踪及其存在的问题 | 第72-73页 |
| 4.3 超像素 | 第73页 |
| 4.4 基于超像素的L1跟踪 | 第73-78页 |
| 4.4.1 初始字典的生成 | 第74-75页 |
| 4.4.2 SPL1算法实现 | 第75-76页 |
| 4.4.3 字典的在线更新 | 第76页 |
| 4.4.4 SPL1算法步骤及流程 | 第76-78页 |
| 4.5 基于超像素的加权多示例学习跟踪 | 第78-83页 |
| 4.5.1 系统流程 | 第78-79页 |
| 4.5.2 基于超像素的表观模型 | 第79页 |
| 4.5.3 在线的加权多示例学习 | 第79-81页 |
| 4.5.4 目标漂移的纠正 | 第81-82页 |
| 4.5.5 表观模型更新 | 第82-83页 |
| 4.6 实验结果与分析 | 第83-91页 |
| 4.6.1 定性结果分析 | 第84-86页 |
| 4.6.2 定量结果分析 | 第86-89页 |
| 4.6.3 Haar-like特征的高效性 | 第89-90页 |
| 4.6.4 计算代价分析 | 第90-91页 |
| 4.7 本章小结 | 第91-93页 |
| 第五章 多任务学习的协同跟踪算法 | 第93-111页 |
| 5.1 引言 | 第93-94页 |
| 5.2 粒子滤波框架 | 第94-95页 |
| 5.3 GDMTT跟踪算法 | 第95-102页 |
| 5.3.1 结构性信息的多任务稀疏表示 | 第95-96页 |
| 5.3.2 初始字典的生成 | 第96-97页 |
| 5.3.3 基于生成式模型的多任务稀疏表示 | 第97页 |
| 5.3.4 基于判别式模型的多任务稀疏表示 | 第97-98页 |
| 5.3.5 协同定位目标 | 第98-99页 |
| 5.3.6 两种跟踪器之间的协同关系 | 第99页 |
| 5.3.7 表观模型更新 | 第99-101页 |
| 5.3.8 GDMTT算法总结 | 第101-102页 |
| 5.4 实验结果与分析 | 第102-109页 |
| 5.4.1 实验参数的设置 | 第102页 |
| 5.4.2 定量分析 | 第102-105页 |
| 5.4.3 定性分析 | 第105-108页 |
| 5.4.4 GDMTT算法的计算代价 | 第108-109页 |
| 5.5 本章小结 | 第109-111页 |
| 第六章 基于显著性检测的多目标跟踪算法 | 第111-125页 |
| 6.1 引言 | 第111-112页 |
| 6.2 显著性检测器 | 第112-113页 |
| 6.3 基于显著性检测的稀疏跟踪算法 | 第113-118页 |
| 6.3.1 目标表观模型的表示 | 第114页 |
| 6.3.2 不同帧间的目标匹配 | 第114-115页 |
| 6.3.3 在线的字典更新 | 第115-117页 |
| 6.3.4 目标遮挡和背景干扰的处理 | 第117-118页 |
| 6.4 实验结果与分析 | 第118-124页 |
| 6.4.1 实验环境的建立 | 第118-119页 |
| 6.4.2 定性和定量分析 | 第119-123页 |
| 6.4.3 计算速度 | 第123-124页 |
| 6.5 本章小结 | 第124-125页 |
| 第七章 总结与展望 | 第125-129页 |
| 7.1 论文工作总结 | 第125-126页 |
| 7.2 后续工作展望 | 第126-129页 |
| 致谢 | 第129-131页 |
| 参考文献 | 第131-145页 |
| 攻读博士学位期间参加的科研项目和完成的论文 | 第145-147页 |