| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 目标外观模型的建立 | 第11-13页 |
| 1.2.2 单目标跟踪算法简介 | 第13-15页 |
| 1.3 本文的主要研究内容 | 第15-17页 |
| 第2章 自适应分块技术 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 目标自适应分块 | 第17-20页 |
| 2.2.1 超像素分割技术 | 第17-19页 |
| 2.2.2 基于超像素的自适应分块 | 第19页 |
| 2.2.3 实验结果与分析 | 第19-20页 |
| 2.3 基于谱聚类的自适应分块 | 第20-22页 |
| 2.3.1 基于归一化分割的谱聚类 | 第20-21页 |
| 2.3.2 基于超像素的谱聚类 | 第21页 |
| 2.3.3 实验结果与分析 | 第21-22页 |
| 2.4 基于DBSCAN聚类的自适应分块 | 第22-26页 |
| 2.4.1 DBSCAN聚类 | 第22-23页 |
| 2.4.2 基于超像素的DBSCAN聚类 | 第23页 |
| 2.4.3 实验结果与分析 | 第23-24页 |
| 2.4.4 实验对比与分析 | 第24-26页 |
| 2.5 本文自适应分块方法 | 第26-27页 |
| 2.5.1 改进的基于超像素DBSCAN聚类 | 第26-27页 |
| 2.5.2 实验分析 | 第27页 |
| 2.6 本章小结 | 第27-29页 |
| 第3章 基于自适应分块和在线判别式局部分类器的跟踪算法 | 第29-44页 |
| 3.1 引言 | 第29-30页 |
| 3.2 在线判别式局部SVM | 第30-34页 |
| 3.2.1 基于结构化支持向量机的跟踪框架 | 第30-31页 |
| 3.2.2 结构化SVM的更新 | 第31-32页 |
| 3.2.3 局部特征 | 第32-34页 |
| 3.2.4 基于多核函数的特征融合 | 第34页 |
| 3.3 目标定位 | 第34-36页 |
| 3.3.1 超像素置信图 | 第34-35页 |
| 3.3.2 基于最大后验概率估计的目标跟踪 | 第35-36页 |
| 3.4 基于子块判断遮挡的局部SVM更新策略 | 第36-38页 |
| 3.5 基于自适应分块和在线判别式局部分类器的跟踪算法 | 第38页 |
| 3.6 实验结果与分析 | 第38-42页 |
| 3.6.1 测试集 | 第39页 |
| 3.6.2 结果分析 | 第39-42页 |
| 3.7 本章小结 | 第42-44页 |
| 第4章 基于全局分类器和局部分类器的抗遮挡跟踪算法 | 第44-57页 |
| 4.1 引言 | 第44-45页 |
| 4.2 全局SVM的训练 | 第45-46页 |
| 4.2.1 HOG特征 | 第45-46页 |
| 4.2.2 全局分类器 | 第46页 |
| 4.3 由粗到精搜索采样法 | 第46-47页 |
| 4.4 基于抗遮挡更新策略的分类器更新方法 | 第47-48页 |
| 4.5 基于全局和局部分类器的目标跟踪算法 | 第48-50页 |
| 4.6 实验结果与分析 | 第50-55页 |
| 4.6.1 跟踪算法性能评价标准 | 第50-51页 |
| 4.6.2 实验结果与分析 | 第51-55页 |
| 4.7 本章小结 | 第55-57页 |
| 第5章 结论与展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第61-62页 |
| 致谢 | 第62页 |
