摘要 | 第5-7页 |
Abstract | 第7-9页 |
第1章 绪论 | 第13-21页 |
1.1 论文研究的背景和意义 | 第13-14页 |
1.2 国内外研究现状 | 第14-16页 |
1.3 复杂动态场景下在线视觉目标跟踪研究面临的挑战 | 第16-18页 |
1.4 本文组织结构和章节安排 | 第18-21页 |
第2章 目标跟踪基础概述 | 第21-33页 |
2.1 目标跟踪技术的基本框架及分类 | 第21-24页 |
2.2 目标跟踪相关技术 | 第24-29页 |
2.2.1 均值漂移技术 | 第24-26页 |
2.2.2 递归贝叶斯滤波技术 | 第26-28页 |
2.2.3 稀疏表示理论 | 第28-29页 |
2.3 在线视频跟踪的评估准则 | 第29-30页 |
2.4 本文算法采用数据库的介绍 | 第30-33页 |
第3章 基于特征自适应选择的鲁棒跟踪算法 | 第33-53页 |
3.1 引言 | 第33-34页 |
3.2 特征池的构造 | 第34-37页 |
3.2.1 颜色特征 | 第35页 |
3.2.2 金字塔梯度方向直方图特征 | 第35-37页 |
3.3 基于特征自适应选择的在线视频跟踪研究 | 第37-44页 |
3.3.1 基于仿射变换参数的运动模型的设计 | 第38-39页 |
3.3.2 候选样本的生成 | 第39-40页 |
3.3.3 基于在线Boosting的观测模型的设计 | 第40-42页 |
3.3.4 遮挡检测以及样本集在线更新策略 | 第42-44页 |
3.4 实验结果及分析 | 第44-51页 |
3.4.1 定性比较结果 | 第44-49页 |
3.4.2 定量比较结果 | 第49-51页 |
3.4.3 算法的复杂度分析 | 第51页 |
3.5 本章小节 | 第51-53页 |
第4章 基于多表观模型的鲁棒均值漂移跟踪算法 | 第53-75页 |
4.1 引言 | 第53-54页 |
4.2 基于广义梯度矢量流的均值漂移跟踪算法 | 第54-61页 |
4.2.1 目标的表示与定位 | 第54-57页 |
4.2.2 广义梯度矢量流特征 | 第57-59页 |
4.2.3 基于广义梯度矢量场的在线视频跟踪研究 | 第59-61页 |
4.3 基于多表观模型的均值漂移算法 | 第61-66页 |
4.3.1 基于稀疏主成分分析的多表观模型的建立 | 第62-65页 |
4.3.2 基于多表观模型的目标定位 | 第65-66页 |
4.4 实验结果及分析 | 第66-73页 |
4.4.1 定性比较结果 | 第66-71页 |
4.4.2 定量比较结果 | 第71-73页 |
4.5 本章小结 | 第73-75页 |
第5章 基于稀疏表达的超像素跟踪算法 | 第75-99页 |
5.1 引言 | 第75-77页 |
5.2 联合模型的建立 | 第77-78页 |
5.3 基于局部信息的判别式模型 | 第78-86页 |
5.3.1 SLIC超像素分割技术 | 第78-80页 |
5.3.2 基于超像素信息的字典建立 | 第80-82页 |
5.3.3 基于加权平均风险的判别式模型的建立 | 第82-86页 |
5.4 基于全局信息的产生式模型 | 第86-88页 |
5.5 字典更新策略的设计 | 第88-90页 |
5.6 实验结果与分析 | 第90-97页 |
5.6.1 定性比较结果 | 第90-95页 |
5.6.2 定量比较结果 | 第95-97页 |
5.7 本章小节 | 第97-99页 |
第6章 基于局部特征霍夫投票的在线目标跟踪算法 | 第99-115页 |
6.1 引言 | 第99-101页 |
6.2 基于加权霍夫投票的目标跟踪算法 | 第101-107页 |
6.2.1 基于稀疏表示的加权霍夫投票 | 第101-104页 |
6.2.2 显著性权重的计算和更新 | 第104-107页 |
6.3 码本的更新 | 第107-108页 |
6.4 实验结果与分析 | 第108-114页 |
6.4.1 定性比较结果 | 第108-112页 |
6.4.2 定量比较结果 | 第112-114页 |
6.5 本章小节 | 第114-115页 |
第7章 总结与展望 | 第115-117页 |
7.1 总结 | 第115-116页 |
7.2 展望 | 第116-117页 |
参考文献 | 第117-131页 |
致谢 | 第131-133页 |
攻读博士期间发表的论文 | 第133-135页 |
作者简介 | 第135页 |