| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 计算机视觉综述 | 第10-11页 |
| 1.2 研究背景和意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-13页 |
| 1.4 研究内容与章节安排 | 第13-15页 |
| 1.5 小结 | 第15-16页 |
| 第2章 数据关联和滤波技术 | 第16-25页 |
| 2.1 贝叶斯滤波理论 | 第16-17页 |
| 2.2 Kalman 滤波 | 第17-20页 |
| 2.2.1 Kalman 滤波理论 | 第17-20页 |
| 2.2.2 Kalman 滤波器讨论 | 第20页 |
| 2.3 粒子滤波 | 第20-24页 |
| 2.3.1 蒙特卡洛方法 | 第21-22页 |
| 2.3.2 粒子滤波算法 | 第22-24页 |
| 2.4 小结 | 第24-25页 |
| 第3章 基于目标分类的跟踪算法 | 第25-32页 |
| 3.1 基于目标分类的跟踪原理 | 第25-26页 |
| 3.2 Boosting 算法 | 第26-28页 |
| 3.3 Online Boosting 算法 | 第28-30页 |
| 3.4 Online Boosting 稳定性与提高 | 第30-31页 |
| 3.5 小结 | 第31-32页 |
| 第4章 基于 Haar 特征分类器的 Kalman 跟踪算法 | 第32-39页 |
| 4.1 Kalman 滤波器的引入 | 第32-33页 |
| 4.2 Haar 特征 | 第33-34页 |
| 4.3 基于 Haar 特征的分类器的观测值获取 | 第34-36页 |
| 4.4 运动信息指导下的跟踪算法 | 第36-38页 |
| 4.5 小结 | 第38-39页 |
| 第5章 实验结果与分析 | 第39-46页 |
| 5.1 实验环境设置 | 第39页 |
| 5.2 跟踪算法的效果比较 | 第39-42页 |
| 5.3 跟踪算法性能分析 | 第42-45页 |
| 5.4 小结 | 第45-46页 |
| 第6章 总结与展望 | 第46-49页 |
| 6.1 论文总结 | 第46-47页 |
| 6.2 展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 作者简介及在学期间所取得的科研成果 | 第53-54页 |
| 致谢 | 第54页 |