| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 课题背景和意义 | 第8页 |
| 1.2 外图像特点 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-11页 |
| 1.4 本文主要研究内容 | 第11-12页 |
| 第2章 Mean Shift算法概述 | 第12-23页 |
| 2.1 引言 | 第12页 |
| 2.2 密度估计理论 | 第12-16页 |
| 2.2.1 参数密度估计 | 第12-13页 |
| 2.2.2 无参密度估计 | 第13-16页 |
| 2.3 Mean Shift论 | 第16-18页 |
| 2.3.1 多维空间下的核函数 | 第16-17页 |
| 2.3.2 Mean Shift中的核密度估计 | 第17页 |
| 2.3.3 Mean Shift向量 | 第17-18页 |
| 2.3.4 Mean Shift算法 | 第18页 |
| 2.4 基于Mean Shift的目标跟踪 | 第18-22页 |
| 2.4.1 建立目标模型 | 第19页 |
| 2.4.2 建立候选目标模型 | 第19-20页 |
| 2.4.3 相似度函数 | 第20页 |
| 2.4.4 目标定位 | 第20-21页 |
| 2.4.5 算法流程 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 改进Mean Shift跟踪算法 | 第23-39页 |
| 3.1 引言 | 第23页 |
| 3.2 背景加权算法 | 第23-29页 |
| 3.2.1 传统的背景加权Mean Shift算法 | 第23-25页 |
| 3.2.2 改进的背景加权Mean Shift算法 | 第25-26页 |
| 3.2.3 实验结果与分析 | 第26-29页 |
| 3.3 结合灰度和纹理的算法 | 第29-38页 |
| 3.3.1 LBP纹理模型 | 第30-32页 |
| 3.3.2 灰度和纹理融合的Mean Shift算法 | 第32-33页 |
| 3.3.3 实验结果与分析 | 第33-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 尺度自适应的Mean Shift跟踪算法 | 第39-47页 |
| 4.1 引言 | 第39页 |
| 4.2 Camshift中目标尺度和方向的估计 | 第39-40页 |
| 4.3 主成分分析确定目标尺度和方向 | 第40-42页 |
| 4.4 实验结果与分析 | 第42-46页 |
| 4.4.1 尺度变大时的跟踪 | 第42-44页 |
| 4.4.2 尺度变小时的跟踪 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 总结和展望 | 第47-49页 |
| 5.1 论文工作总结 | 第47页 |
| 5.2 进一步研究方向 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 附录 Mean Shift算法的收敛性证明 | 第53-55页 |
