复杂环境下视频跟踪算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第13-29页 |
| 1.1 研究背景及意义 | 第13-16页 |
| 1.2 视频跟踪研究现状 | 第16-19页 |
| 1.2.1 基于生成模型的视频跟踪方法 | 第17-18页 |
| 1.2.2 基于判别模型的视频跟踪方法 | 第18-19页 |
| 1.3 一些经典的基于判别模型的视频跟踪方法 | 第19-27页 |
| 1.3.1 支持向量跟踪算法 | 第19-21页 |
| 1.3.2 在线AdaBoost跟踪算法 | 第21-23页 |
| 1.3.3 在线多实例学习跟踪算法 | 第23-24页 |
| 1.3.4 压缩跟踪算法 | 第24-26页 |
| 1.3.5 TLD跟踪算法 | 第26-27页 |
| 1.4 本文内容及结构 | 第27-29页 |
| 2 基于RV-SVM的视频跟踪算法 | 第29-45页 |
| 2.1 相关工作 | 第30-33页 |
| 2.1.1 多尺度压缩特征提取 | 第30-32页 |
| 2.1.2 Median-Flow跟踪算法 | 第32-33页 |
| 2.2 基于RV-SVM的视频跟踪 | 第33-39页 |
| 2.2.1 排序学习与视频跟踪 | 第33-35页 |
| 2.2.2 RV-SVM | 第35-37页 |
| 2.2.3 算法实现流程 | 第37-38页 |
| 2.2.4 讨论与分析 | 第38-39页 |
| 2.3 实验结果 | 第39-44页 |
| 2.4 本章小结 | 第44-45页 |
| 3 分块的循环矩阵视频跟踪算法 | 第45-58页 |
| 3.1 循环矩阵跟踪算法 | 第46-49页 |
| 3.1.1 KRLS分类器 | 第46-47页 |
| 3.1.2 循环矩阵 | 第47-48页 |
| 3.1.3 目标检测与跟踪 | 第48-49页 |
| 3.2 分块的循环矩阵跟踪算法 | 第49-52页 |
| 3.2.1 分块跟踪 | 第50-51页 |
| 3.2.2 置信度更新 | 第51页 |
| 3.2.3 算法流程 | 第51-52页 |
| 3.3 实验结果及分析 | 第52-56页 |
| 3.4 本章小结 | 第56-58页 |
| 4 基于对数似然图像的尺度自适应跟踪 | 第58-70页 |
| 4.1 Mean-Shift算法 | 第59-60页 |
| 4.1.1 目标模型 | 第59-60页 |
| 4.1.2 Mean-Shift向量 | 第60页 |
| 4.2 尺度自适应跟踪算法 | 第60-64页 |
| 4.2.1 对数似然图 | 第61-62页 |
| 4.2.2 椭圆拟合与尺度估计 | 第62-63页 |
| 4.2.3 算法流程 | 第63-64页 |
| 4.3 实验结果及分析 | 第64-69页 |
| 4.4 本章小结 | 第69-70页 |
| 5 视频跟踪演示系统 | 第70-76页 |
| 5.1 系统总体方案 | 第70-72页 |
| 5.2 系统界面和功能 | 第72-76页 |
| 6 总结与展望 | 第76-79页 |
| 6.1 本文工作总结 | 第76-77页 |
| 6.2 未来工作展望 | 第77-79页 |
| 参考文献 | 第79-86页 |
| 攻读硕士学位期间主要的研究成果 | 第86-87页 |
| 致谢 | 第87页 |
