高效率的稀疏表示跟踪方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-21页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 目标跟踪算法的框架 | 第11-12页 |
| 1.4 目标跟踪任务的技术难点 | 第12-13页 |
| 1.5 目标跟踪算法分类与综述 | 第13-20页 |
| 1.5.1 基于梯度场决策模型的跟踪算法 | 第15页 |
| 1.5.2 基于概率决策模型的跟踪算法 | 第15-16页 |
| 1.5.3 基于分类器决策模型的跟踪算法 | 第16页 |
| 1.5.4 基于子空间表示模型的跟踪算法’ | 第16-17页 |
| 1.5.5 基于稀疏表示模型的跟踪算法 | 第17-20页 |
| 1.6 本文主要工作与结构 | 第20-21页 |
| 2 基于L2-RLS的目标跟踪算法 | 第21-38页 |
| 2.1 L2-RLS目标表示模型 | 第21-24页 |
| 2.1.1 L2-RLS与L1-RLS对比 | 第21-23页 |
| 2.1.2 PCA基与目标模板对比 | 第23页 |
| 2.1.3 琐碎模板与方块模板对比 | 第23-24页 |
| 2.2 L2-RLS跟踪 | 第24-28页 |
| 2.2.1 运动模型 | 第25页 |
| 2.2.2 观测模型 | 第25-28页 |
| 2.2.3 在线更新 | 第28页 |
| 2.3 实验 | 第28-37页 |
| 2.3.1 参数设定、测试视频和比较算法 | 第28-29页 |
| 2.3.2 算法评价标准 | 第29-30页 |
| 2.3.3 算法设计合理性验证 | 第30-32页 |
| 2.3.4 算法精度定性比较 | 第32-35页 |
| 2.3.5 算法精度定量比较 | 第35-36页 |
| 2.3.6 算法速度比较 | 第36-37页 |
| 2.4 本章小结 | 第37-38页 |
| 3 基于反向稀疏表示和局部加权测度的目标跟踪算法 | 第38-60页 |
| 3.1 局部加权测度 | 第38-44页 |
| 3.1.1 局部拆分的欧式距离度量 | 第38-41页 |
| 3.1.2 有局部上界的距离测度 | 第41-42页 |
| 3.1.3 学习自适应局部权重 | 第42-44页 |
| 3.2 基于反向稀疏表示的跟踪框架 | 第44-47页 |
| 3.2.1 反向稀疏表示模型 | 第45-47页 |
| 3.2.2 模板更新 | 第47页 |
| 3.3 实验 | 第47-59页 |
| 3.3.1 参数设定、测试视频和比较算法 | 第47-48页 |
| 3.3.2 算法设计合理性验证 | 第48-52页 |
| 3.3.3 算法精度定性比较 | 第52-56页 |
| 3.3.4 算法精度定量比较 | 第56-59页 |
| 3.3.5 算法速度比较 | 第59页 |
| 3.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表学术论文情况 | 第65-66页 |
| 致谢 | 第66-67页 |
