| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究的背景和意义 | 第11-12页 |
| 1.2 视频跟踪算法分类 | 第12-14页 |
| 1.2.1 基于区域匹配的视频目标跟踪算法 | 第13页 |
| 1.2.2 基于特征点的视频目标跟踪算法 | 第13页 |
| 1.2.3 基于主动轮廓的视频目标跟踪算法 | 第13-14页 |
| 1.2.4 基于光流法的视频目标跟踪算法 | 第14页 |
| 1.2.5 基于三维立体信息的视频目标跟踪算法 | 第14页 |
| 1.3 视频跟踪中的困难与挑战 | 第14-16页 |
| 1.4 本论文的主要工作及结构安排 | 第16-18页 |
| 1.4.1 论文的主要工作 | 第16页 |
| 1.4.2 本论文的结构布局 | 第16-18页 |
| 第二章 相关理论基础知识 | 第18-26页 |
| 2.1 Ensemble tracking算法 | 第18-19页 |
| 2.2 Online Adaboost算法 | 第19页 |
| 2.3 多示例学习跟踪算法 | 第19-21页 |
| 2.3.1 多示例学习跟踪的系统框架 | 第19-20页 |
| 2.3.2 在线多示例boosting | 第20-21页 |
| 2.4 分布场跟踪算法 | 第21-23页 |
| 2.4.1 分布场表示 | 第21-23页 |
| 2.4.2 基于分布场表示的梯度下降搜索法 | 第23页 |
| 2.5 压缩感知跟踪算法 | 第23-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 改进的多示例学习跟踪外观更新方法 | 第26-33页 |
| 3.1 原始多示例学习跟踪算法中的外观模型 | 第26-27页 |
| 3.2 改进的外观更新方法 | 第27-29页 |
| 3.2.1 两个正态分布的合并分布函数 | 第27-28页 |
| 3.2.2 一个高斯分布函数对合并分布的近似 | 第28-29页 |
| 3.3 实验结果和讨论 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 改进多示例学习跟踪的目标表示和特征选择方法 | 第33-45页 |
| 4.1 分类器构建 | 第33页 |
| 4.2 多示例跟踪算法中的分布场外观模型 | 第33-35页 |
| 4.3 基于加权几何均值的多示例分类器 | 第35-38页 |
| 4.4 实验结果和讨论 | 第38-44页 |
| 4.4.1 实验参数设置 | 第39页 |
| 4.4.2 定量比较 | 第39-41页 |
| 4.4.3 定性比较 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 改进压缩感知跟踪的特征选择与目标模型更新方法 | 第45-52页 |
| 5.1 特征选择和目标模型更新方法 | 第45-47页 |
| 5.1.1 特征选择 | 第45-46页 |
| 5.1.2 更新机制改进 | 第46-47页 |
| 5.2 实验结果和分析 | 第47-51页 |
| 5.2.1 参数设置 | 第47-48页 |
| 5.2.2 结果对比 | 第48-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第六章 结论与展望 | 第52-54页 |
| 6.1 结论 | 第52页 |
| 6.2 研究展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 作者简介 | 第59页 |