| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 主要目标跟踪方法 | 第9-11页 |
| 1.2.1 光流法 | 第9-10页 |
| 1.2.2 均值漂移跟踪算法 | 第10页 |
| 1.2.3 卡尔曼滤波 | 第10-11页 |
| 1.2.4 粒子滤波 | 第11页 |
| 1.3 基于检测学习的目标跟踪算法 | 第11-15页 |
| 1.4 本文的主要研究内容 | 第15-17页 |
| 第二章 随机森林和 ferns 森林 | 第17-35页 |
| 2.1 决策树 | 第17-20页 |
| 2.1.1 决策树的结构 | 第17页 |
| 2.1.2 决策树分类训练与检测 | 第17-19页 |
| 2.1.3 决策树的优点与缺点 | 第19-20页 |
| 2.2 随机森林 | 第20-23页 |
| 2.2.1 随机森林的结构 | 第20页 |
| 2.2.2 随机森林分类训练与检测 | 第20-22页 |
| 2.2.3 随机森林的性能影响因素和优点 | 第22页 |
| 2.2.4 随机森林的在线学习 | 第22-23页 |
| 2.3 ferns 分类器 | 第23-34页 |
| 2.3.1 ferns 分类器与局部块样本 | 第23-25页 |
| 2.3.2 ferns 样本的特征通道模型 | 第25-32页 |
| 2.3.3 ferns 分类器的分类训练与分类检测 | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 偏移可信度投票检测方法 | 第35-38页 |
| 3.1 传统的目标检测方法 | 第35-37页 |
| 3.2 根据偏移可信度投票，预测目标中心 | 第37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 重采样优选样本 | 第38-43页 |
| 4.1 目标可视区域 | 第38-39页 |
| 4.2 检测集中正样本的评判标准 | 第39-40页 |
| 4.3 重采样重新选择正样本 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 根据目标可信度优化在线学习 | 第43-47页 |
| 5.1 在线学习 | 第43-44页 |
| 5.1.1 Ferns 在线学习和保留因子 | 第43-44页 |
| 5.1.2 噪声累积 | 第44页 |
| 5.2 目标可信度判别 | 第44-45页 |
| 5.3 以目标可信度调整保留因子 | 第45页 |
| 5.4 本章小结 | 第45-47页 |
| 第六章 实验分析 | 第47-56页 |
| 6.1 视频序列 | 第47页 |
| 6.2 对比算法 | 第47-49页 |
| 6.3 实验环境 | 第49页 |
| 6.4 实验结果 | 第49-55页 |
| 6.4.1 定量实验 | 第49-52页 |
| 6.4.2 定性实验 | 第52-54页 |
| 6.4.3 准确率计算 | 第54-55页 |
| 6.5 本章小结 | 第55-56页 |
| 第七章 总结与展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 致谢 | 第62页 |