| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 图录 | 第8-9页 |
| 表录 | 第9-10页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.1.1 动目标跟踪研究背景 | 第10页 |
| 1.1.2 多核并行编程研究背景 | 第10-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.2.1 目标跟踪算法的研究 | 第12-13页 |
| 1.2.2 目标跟踪的发展趋势 | 第13页 |
| 1.3 本文研究内容与创新之处 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 创新之处 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 跟踪目标的图像特征表示方法 | 第16-35页 |
| 2.1 概述 | 第16-18页 |
| 2.1.1 目标图像的特征表示方法 | 第16-17页 |
| 2.1.2 目标跟踪的图像特点 | 第17-18页 |
| 2.2 基于压缩感知的Haar-Like特征表示方法 | 第18-27页 |
| 2.2.1 Haar-Like特征表示与分析 | 第18-20页 |
| 2.2.2 压缩感知的Haar-Like特征变换 | 第20-23页 |
| 2.2.3 实验研究与结果分析 | 第23-27页 |
| 2.3 基于Harris角点的特征表示方法及改进 | 第27-34页 |
| 2.3.1 Harris角点检测算法 | 第27-28页 |
| 2.3.2 基于角点的特征表示 | 第28-30页 |
| 2.3.3 实验研究与结果分析 | 第30-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第3章 基于多示例学习的目标跟踪算法 | 第35-53页 |
| 3.1 引言 | 第35-36页 |
| 3.2 在线多示例学习跟踪算法 | 第36-43页 |
| 3.2.1 目标跟踪算法框架结构 | 第37-38页 |
| 3.2.2 Online-Boosting分类器算法 | 第38-41页 |
| 3.2.3 在线多示例学习算法 | 第41-42页 |
| 3.2.4 弱分类器设计 | 第42-43页 |
| 3.3 基于权重的多示例学习算法改进 | 第43-47页 |
| 3.3.1 基于样本权重的多示例学习算法(WIOMB) | 第43-45页 |
| 3.3.2 基于弱分类器权重的多示例学习算法(WCOMB) | 第45-47页 |
| 3.4 实验研究与结果分析 | 第47-52页 |
| 3.4.1 实验环境与参数设置 | 第47-48页 |
| 3.4.2 跟踪算法的定性比较分析 | 第48-50页 |
| 3.4.3 跟踪算法的定量比较分析 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 基于MapReduce的目标跟踪算法实现 | 第53-64页 |
| 4.1 引言 | 第53-56页 |
| 4.1.1 MapReduce并行模型研究现状 | 第53-54页 |
| 4.1.2 MapReduce并行模型基本原理 | 第54-55页 |
| 4.1.3 选择多核并行MapReduce框架的理由 | 第55-56页 |
| 4.2 多核并行MapReduce的计算框架 | 第56-57页 |
| 4.2.1 计算单元 | 第56-57页 |
| 4.2.2 MapReduce数据流 | 第57页 |
| 4.3 基于多核并行MapReduce跟踪算法设计 | 第57-60页 |
| 4.3.1 视频帧跟踪的两阶段 | 第58页 |
| 4.3.2 定位阶段的MapReduce多核并行设计 | 第58-59页 |
| 4.3.3 更新阶段的MapReduce多核并行设计 | 第59-60页 |
| 4.4 实验研究与结果分析 | 第60-63页 |
| 4.4.1 实验环境与评价参数 | 第60-61页 |
| 4.4.2 实验与结果分析 | 第61-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第5章 总结和展望 | 第64-66页 |
| 5.1 本文工作总结 | 第64-65页 |
| 5.2 下一步工作 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |
