| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 目标检测概述 | 第11-15页 |
| 1.2.2 目标跟踪概述 | 第15-16页 |
| 1.3 内容及结构安排 | 第16-18页 |
| 第二章 基于非负矩阵分解的低分辨率目标检测 | 第18-47页 |
| 2.1 HAAR-LIKE特征结合ADABOOST分类器目标检测框架 | 第18-23页 |
| 2.1.1 Haar-like特征 | 第18-21页 |
| 2.1.2 Adaboost算法 | 第21-22页 |
| 2.1.3 级联分类器 | 第22-23页 |
| 2.2 DPM目标检测算法 | 第23-29页 |
| 2.2.1 HOG特征 | 第24-26页 |
| 2.2.2 支持向量机 | 第26-29页 |
| 2.3 基于非负矩阵分解的目标部件字典学习 | 第29-34页 |
| 2.3.1 非负矩阵分解 | 第29-31页 |
| 2.3.2 部件提取与分析 | 第31-32页 |
| 2.3.3 非负矩阵分解的收敛性 | 第32-34页 |
| 2.4 基于广义逆矩阵的目标特征表达 | 第34-35页 |
| 2.5 特征低分辨率有效性理论分析 | 第35-36页 |
| 2.6 低分辨率目标检测框架 | 第36-38页 |
| 2.7 低分辨率目标检测的特征有效性实验 | 第38-46页 |
| 2.7.1 数据库 | 第38-39页 |
| 2.7.2 目标重构误差实验结果与分析 | 第39-40页 |
| 2.7.3 检测分类器的低分辨率适应性实验结果与分析 | 第40-46页 |
| 2.8 本章小结 | 第46-47页 |
| 第三章 基于动态随机测量矩阵的目标跟踪 | 第47-64页 |
| 3.1 基于判别模型的跟踪算法 | 第47-53页 |
| 3.1.1 MIT跟踪算法 | 第48-50页 |
| 3.1.2 CT跟踪算法 | 第50-53页 |
| 3.2 动态压缩跟踪算法 | 第53-60页 |
| 3.2.1 CT算法特征压缩的局限性 | 第53-54页 |
| 3.2.2 动态随机测量矩阵 | 第54-56页 |
| 3.2.3 动态压缩跟踪算法 | 第56-60页 |
| 3.3 实验 | 第60-63页 |
| 3.3.1 实验设置 | 第60页 |
| 3.3.2 评测指标 | 第60-61页 |
| 3.3.3 实验数据分析 | 第61-63页 |
| 3.4 本章小结 | 第63-64页 |
| 第四章 在线车辆检测与跟踪系统 | 第64-70页 |
| 4.1 硬件平台 | 第64-65页 |
| 4.2 软件结构 | 第65-70页 |
| 第五章 结论 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间取得的成果 | 第78-79页 |