| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-45页 |
| 1.1 课题背景及意义 | 第10-12页 |
| 1.2 研究现状 | 第12-41页 |
| 1.3 主要研究内容 | 第41-42页 |
| 1.4 论文组织结构 | 第42-44页 |
| 1.5 本章小结 | 第44-45页 |
| 2 基于联合局部全局视觉表达的自适应DeepBoost跟踪器 | 第45-78页 |
| 2.1 引言 | 第45-47页 |
| 2.2 基于Haar特征的基础弱分类器构建 | 第47-49页 |
| 2.3 基于稀疏随机投影的联合局部全局的目标外观表达模型 | 第49-52页 |
| 2.4 在线DeepBoost集成学习方法 | 第52-56页 |
| 2.5 基于在线DeepBoost学习的跟踪算法设计 | 第56-59页 |
| 2.6 DeepBoost跟踪算法与传统Boosting类型跟踪方法的比较 | 第59-60页 |
| 2.7 实验结果与分析 | 第60-76页 |
| 2.8 本章小结 | 第76-78页 |
| 3 基于多时段DeepBoost模型的自适应目标跟踪方法 | 第78-102页 |
| 3.1 引言 | 第78-80页 |
| 3.2 歧义性正则化多时段模型 | 第80-83页 |
| 3.3 多时段模型的更新策略 | 第83-84页 |
| 3.4 自适应多时段DeepBoost模型跟踪系统设计 | 第84-87页 |
| 3.5 整体与基于目标属性的跟踪性能比较分析 | 第87-100页 |
| 3.6 跟踪算法速度比较和实时性分析 | 第100-101页 |
| 3.7 本章小结 | 第101-102页 |
| 4 基于在线子场景学习和目标内边缘分析的运动阴影抑制 | 第102-127页 |
| 4.1 引言 | 第102-104页 |
| 4.2 运动阴影的外观特性分析 | 第104-108页 |
| 4.3 子场景运动阴影模型在线学习 | 第108-112页 |
| 4.4 基于内边缘分析和阴影区域生长的矫正处理 | 第112-115页 |
| 4.5 典型应用场景下的定性评价 | 第115-119页 |
| 4.6 多度量标准下的定量评价与讨论 | 第119-126页 |
| 4.7 本章小结 | 第126-127页 |
| 5 全文总结与工作展望 | 第127-130页 |
| 5.1 本文工作总结 | 第127-128页 |
| 5.2 下一步工作展望 | 第128-130页 |
| 致谢 | 第130-132页 |
| 参考文献 | 第132-150页 |
| 附录1 攻读博士学位期间发表的主要论文 | 第150-151页 |
| 附录2 公开发表的学术论文与博士学位论文的关系 | 第151-152页 |
| 附录3 博士生期间参与申请的专利 | 第152-153页 |
| 附录4 博士生期间参与的课题研究情况 | 第153页 |
