| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究背景和意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 论文研究内容 | 第17-19页 |
| 1.4 论文组织结构 | 第19-20页 |
| 第二章 视觉目标跟踪基础知识 | 第20-30页 |
| 2.1 目标跟踪基本原理与框架 | 第20-23页 |
| 2.2 相关滤波器 | 第23-24页 |
| 2.3 极限学习机 | 第24-26页 |
| 2.3.1 极限学习机（ELM）介绍 | 第24-25页 |
| 2.3.2 极限学习机的发展变化 | 第25-26页 |
| 2.4 跟踪算法评估标准 | 第26-30页 |
| 2.4.1 精确度评估 | 第27页 |
| 2.4.2 成功率评估 | 第27页 |
| 2.4.3 鲁棒性评估 | 第27-28页 |
| 2.4.4 跟踪属性评估 | 第28-30页 |
| 第三章 基于动态相关滤波器的目标长期跟踪算法 | 第30-42页 |
| 3.1 跟踪算法设计流程 | 第30-32页 |
| 3.2 基于HOG、颜色特征的动态相关滤波器设计 | 第32-34页 |
| 3.3 AKAZE特征点匹配及目标姿态估计 | 第34-35页 |
| 3.4 压缩支持向量机再检测模型 | 第35-37页 |
| 3.4.1 模型训练 | 第36页 |
| 3.4.2 再检测 | 第36-37页 |
| 3.5 实验评估 | 第37-40页 |
| 3.5.1 算法测试验证环境介绍 | 第37页 |
| 3.5.2 算法性能测试评估 | 第37-39页 |
| 3.5.3 算法跟踪跟踪效果、速度分析 | 第39-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第四章 基于层次极限学习机的深度长期跟踪算法 | 第42-56页 |
| 4.2 深度网络架构 | 第42-47页 |
| 4.2.1 基于VGGNet的目标分类网络 | 第42-44页 |
| 4.2.2 基于层次极限学习机的目标回归网络 | 第44-47页 |
| 4.3 网络在线跟踪 | 第47-51页 |
| 4.3.1 分类网络跟踪过程 | 第47-49页 |
| 4.3.2 回归网络跟踪过程 | 第49页 |
| 4.3.3 网络模型后处理策略 | 第49-50页 |
| 4.3.4 网络在线更新策略 | 第50-51页 |
| 4.4 实验评估 | 第51-55页 |
| 4.4.1 跟踪算法实现细节及仿真平台介绍 | 第51-52页 |
| 4.4.2 跟踪算法在OTB100上进行性能测试 | 第52-54页 |
| 4.4.3 跟踪算法在VOT2016上进行性能测试 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 研究工作总结 | 第56-57页 |
| 5.2 研究工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 作者简介 | 第64-65页 |