| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 主要符号对照表 | 第13-14页 |
| 常用缩略语表 | 第14-16页 |
| 第一章 绪论 | 第16-30页 |
| 1.1 背景与研究意义 | 第16-17页 |
| 1.2 目标跟踪的研究发展与现状概述 | 第17-21页 |
| 1.2.1 目标跟踪的定义、难点与特征 | 第17-18页 |
| 1.2.2 目标跟踪的发展 | 第18-20页 |
| 1.2.3 单目标跟踪的经典分类 | 第20-21页 |
| 1.3 在线目标跟踪的引入与发展 | 第21-25页 |
| 1.3.1 在线目标跟踪的引入 | 第21-23页 |
| 1.3.2 基于稀疏表示的在线目标跟踪 | 第23-25页 |
| 1.4 论文主要创新成果与章节安排 | 第25-30页 |
| 1.4.1 论文主要工作与创新成果 | 第25-27页 |
| 1.4.2 论文章节安排 | 第27-30页 |
| 第二章 在线目标跟踪与稀疏表示的理论基础与分析 | 第30-66页 |
| 2.1 在线目标跟踪的统一框架 | 第30-33页 |
| 2.1.1 符号与定义 | 第30-31页 |
| 2.1.2 序列化贝叶斯状态估计的基本原理 | 第31页 |
| 2.1.3 基于贝叶斯估计的在线目标跟踪 | 第31-33页 |
| 2.1.4 在线目标跟踪的分类 | 第33页 |
| 2.2 在线目标跟踪的关键性问题 | 第33-43页 |
| 2.2.1 目标表示 | 第33-36页 |
| 2.2.2 运动建模 | 第36-38页 |
| 2.2.3 观测建模 | 第38-43页 |
| 2.3 稀疏表示的基础理论 | 第43-45页 |
| 2.3.1 稀疏编码理论 | 第43-44页 |
| 2.3.2 稀疏表示的数学模型 | 第44-45页 |
| 2.4 稀疏表示的关键性问题 | 第45-54页 |
| 2.4.1 稀疏表示-求解β | 第45-47页 |
| 2.4.2 字典学习-优化D | 第47-54页 |
| 2.5 稀疏表示在在线目标跟踪中的初步应用 | 第54-56页 |
| 2.5.1 基于稀疏表示的分类方法 | 第54-55页 |
| 2.5.2 Mei等人提出的生成性在线跟踪方法 | 第55-56页 |
| 2.6 典型在线目标跟踪方法的测评 | 第56-64页 |
| 2.6.1 在线目标跟踪结果的评价 | 第56-59页 |
| 2.6.2 典型的跟踪测试图像序列(视频) | 第59页 |
| 2.6.3 典型方法的测评结果 | 第59-64页 |
| 2.7 本章小结 | 第64-66页 |
| 第三章 基于选择性稀疏外观模型和时空分析的生成性跟踪方法 | 第66-96页 |
| 3.1 引言 | 第66页 |
| 3.2 相关工作讨论及本章方法提出的动机 | 第66-68页 |
| 3.3 方法框架总览 | 第68-69页 |
| 3.4 基于选择性稀疏外观模型的目标表示 | 第69-73页 |
| 3.4.1 基于关键点比例排序的块选择 | 第69-71页 |
| 3.4.2 基于重叠关键块的目标稀疏表示 | 第71-73页 |
| 3.5 基于时空分析的跟踪处理流程 | 第73-81页 |
| 3.5.1 基于联合高斯分布近似的递推式仿射运动模型 | 第73-75页 |
| 3.5.2 观测建模：基于时空加权稀疏表示的置信度计算 | 第75-76页 |
| 3.5.3 观测建模：针对候选样本的空间推演 | 第76-79页 |
| 3.5.4 模板与关键块选取方式的更新 | 第79-80页 |
| 3.5.5 跟踪方法小结与伪代码 | 第80-81页 |
| 3.6 实验结果及分析 | 第81-94页 |
| 3.6.1 实验设置 | 第81页 |
| 3.6.2 定性评价 | 第81-86页 |
| 3.6.3 定量评价 | 第86页 |
| 3.6.4 关键块数量对跟踪效果的影响 | 第86-89页 |
| 3.6.5 最大后验与本章所提出的空间推演方法的对比分析 | 第89-92页 |
| 3.6.6 计算复杂度与运算时间分析 | 第92-93页 |
| 3.6.7 跟踪失败的测试序列 | 第93-94页 |
| 3.7 本章小结 | 第94-96页 |
| 第四章 基于增量结构化字典学习(IDSDL)的判别性跟踪方法 | 第96-122页 |
| 4.1 引言 | 第96页 |
| 4.2 相关工作讨论及本章方法提出的动机 | 第96-97页 |
| 4.3 方法框架总览 | 第97-99页 |
| 4.4 增量判别性结构化字典学习(IDSDL) | 第99-102页 |
| 4.5 基于IDSDL和KCV支持向量机分类器组的跟踪处理流程 | 第102-107页 |
| 4.5.1 基于高斯仿射变换的运动建模 | 第102-103页 |
| 4.5.2 基于IDSDL和K-组合投票的判定与训练流程 | 第103-105页 |
| 4.5.3 模型更新 | 第105-106页 |
| 4.5.4 跟踪方法小结与伪代码 | 第106-107页 |
| 4.6 实验结果及分析 | 第107-120页 |
| 4.6.1 实验设置 | 第107页 |
| 4.6.2 定性评价 | 第107-112页 |
| 4.6.3 定量评价 | 第112页 |
| 4.6.4 字典学习结果与运算时间分析 | 第112-114页 |
| 4.6.5 与第三章方法的对比 | 第114-116页 |
| 4.6.6 讨论 | 第116-120页 |
| 4.7 本章小结 | 第120-122页 |
| 第五章 基于增量选择性稀疏模型和残差加权IDSDL的混合性跟踪方法 | 第122-152页 |
| 5.1 引言 | 第122页 |
| 5.2 相关工作讨论及本章方法的提出动机 | 第122-124页 |
| 5.3 方法框架总览 | 第124-127页 |
| 5.4 生成性子模型:基于ISSt CR的增量选择性稀疏模型 | 第127-130页 |
| 5.4.1 PCC, TPCS and APCS | 第127-129页 |
| 5.4.2 基于PCC, TPCS和APCS的增量式块选择 | 第129-130页 |
| 5.5 判别性子模型:残差加权在线字典学习和线性分类器组的构建 | 第130-135页 |
| 5.5.1 残差加权在线字典学习(RODL)与基于残差加权的增量判别性结构化字典学习(RIDSDL) | 第131-133页 |
| 5.5.2 两种基于残差加权的增量判别性结构化字典学习 | 第133-134页 |
| 5.5.3 基于线性支持向量机的训练与判决 | 第134-135页 |
| 5.6 实验结果及分析 | 第135-151页 |
| 5.6.1 实验设置 | 第135-136页 |
| 5.6.2 字典学习效果分析 | 第136-138页 |
| 5.6.3 目标跟踪定性评价 | 第138-144页 |
| 5.6.4 目标跟踪定量评价 | 第144-149页 |
| 5.6.5 生成性、判别性和混合性方法应用场合分析 | 第149-151页 |
| 5.7 本章小结 | 第151-152页 |
| 第六章 全文总结 | 第152-156页 |
| 6.1 本文的研究工作 | 第152-153页 |
| 6.2 未来工作展望 | 第153-156页 |
| 附录A 基于帧间索引差的数值调整方法(NAIID)伪代码 | 第156-158页 |
| 附录B 在线目标跟踪方法测评结果汇总 | 第158-160页 |
| 参考文献 | 第160-174页 |
| 致谢 | 第174-176页 |
| 攻读学位论文期间发表的学术论文目录 | 第176-178页 |
| 附件 | 第178页 |
