| 摘要 | 第1-5页 |
| Abstract | 第5-6页 |
| 目录 | 第6-9页 |
| 1 绪论 | 第9-13页 |
| ·课题来源 | 第9页 |
| ·目标识别和视觉跟踪的背景 | 第9-10页 |
| ·目标识别的方法概述 | 第10-11页 |
| ·帧差法 | 第10页 |
| ·光流法 | 第10-11页 |
| ·背景差方法 | 第11页 |
| ·目标识别中遇到的实际困难 | 第11页 |
| ·目标跟踪的方法概述 | 第11-13页 |
| ·基于区域的目标跟踪 | 第11页 |
| ·基于特征的跟踪算法 | 第11-12页 |
| ·基于轮廓的跟踪算法 | 第12页 |
| ·基于模型的目标跟踪 | 第12-13页 |
| 2 基于小波包和蚁群算法的纹理分割 | 第13-30页 |
| ·小波变换与小波包变换 | 第13-19页 |
| ·小波变换的历史发展 | 第13页 |
| ·小波变换的基本理论 | 第13-15页 |
| ·离散小波变换 | 第15-16页 |
| ·二维小波变换 | 第16页 |
| ·小波变换的多分辨率 | 第16-17页 |
| ·二维图像的小波变换 | 第17-19页 |
| ·基于小波变换的纹理特征的提取 | 第19-22页 |
| ·小波包变换提取纹理特征 | 第19-20页 |
| ·Laws 法纹理特征提取 | 第20-21页 |
| ·纹理特征的优化 | 第21-22页 |
| ·常用聚类算法简介 | 第22-24页 |
| ·K 均值算法 | 第22-23页 |
| ·模糊 C 均值算法 | 第23页 |
| ·BP 神经网络用于聚类分割 | 第23-24页 |
| ·支持向量机用于聚类分割 | 第24页 |
| ·蚁群聚类算法 | 第24-27页 |
| ·蚁群算法 | 第24-25页 |
| ·基于蚁群算法的聚类分割 | 第25-27页 |
| ·基于小波包变换与蚁群算法的纹理分割的实验 | 第27-30页 |
| ·金字塔小波变换与小波包变换的比较 | 第28页 |
| ·传统 k 均值算法分类结果与蚁群算法的比较 | 第28-30页 |
| 3 卡尔曼滤波和均值漂移分别与纹理分割相结合的视觉跟踪 | 第30-46页 |
| ·卡尔曼滤波 | 第30-36页 |
| ·滤波的概念 | 第30-31页 |
| ·卡尔曼滤波的数学表达 | 第31-33页 |
| ·卡尔曼滤波器的工作原理 | 第33-34页 |
| ·卡尔曼滤波模型的建立 | 第34-36页 |
| ·基于纹理分割的卡尔曼滤波的目标跟踪算法 | 第36-37页 |
| ·Meanshift 算法 | 第37-42页 |
| ·Mean Shift 算法的简介 | 第37-38页 |
| ·Mean Shift 基本思想 | 第38-39页 |
| ·Mean Shift 的扩展 | 第39-41页 |
| ·Mean Shift 算法的实现步骤 | 第41-42页 |
| ·基于纹理分割的 Mean Shift 目标跟踪 | 第42-46页 |
| ·初始帧目标模型的表示 | 第43页 |
| ·当前帧目标模型的跟踪 | 第43-44页 |
| ·目标模型的匹配 | 第44页 |
| ·目标模型的跟踪 | 第44-46页 |
| 4 动态环境下多轴直线平台的实验研究 | 第46-51页 |
| ·实验平台的介绍 | 第46-47页 |
| ·实验平台的机构介绍 | 第46-47页 |
| ·实验平台的运动控制介绍 | 第47页 |
| ·测试与仿真 | 第47-51页 |
| ·目标识别的实验仿真 | 第48-49页 |
| ·目标跟踪的实验仿真 | 第49-51页 |
| 5 总结与展望 | 第51-53页 |
| ·全文总结 | 第51页 |
| ·展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录（攻读硕士期间所取得的成果） | 第58页 |