多纹理目标的实时鲁棒跟踪研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究历史与现状 | 第11-13页 |
| 1.3 本文的主要工作 | 第13-16页 |
| 1.4 本论文的结构安排 | 第16-18页 |
| 第二章 多示例学习跟踪算法基础 | 第18-31页 |
| 2.1 多示例学习 | 第18-22页 |
| 2.1.1 轴平行矩形算法 | 第19页 |
| 2.1.2 Citation-kNN算法 | 第19-20页 |
| 2.1.3 多样性密度算法 | 第20-21页 |
| 2.1.4 基于支持向量机的多示例学习算法 | 第21-22页 |
| 2.2 多示例学习与传统学习方法的区别 | 第22页 |
| 2.3 多示例学习跟踪算法的发展 | 第22-25页 |
| 2.4 多示例学习跟踪算法详解 | 第25-30页 |
| 2.4.1 Haar-like特征 | 第25-27页 |
| 2.4.2 多示例学习跟踪算法的原理 | 第27-30页 |
| 2.4.2.1 样本包 | 第27-28页 |
| 2.4.2.2 分类器 | 第28-29页 |
| 2.4.2.3 强分类器的更新 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 动态更新学习率的快速多示例学习跟踪算法 | 第31-40页 |
| 3.1 多示例学习跟踪算法的不足 | 第31页 |
| 3.2 FDMIL算法 | 第31-35页 |
| 3.2.1 快速的强分类器更新 | 第31-34页 |
| 3.2.2 动态更新学习率 | 第34-35页 |
| 3.3 实验结果与分析 | 第35-39页 |
| 3.3.1 实验参数 | 第35页 |
| 3.3.2 实验结果分析 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 双特征融合的加权多示例学习跟踪算法 | 第40-49页 |
| 4.1. DWMIL算法的基本思想 | 第40-41页 |
| 4.2 HOG特征 | 第41-42页 |
| 4.3 DWMIL算法 | 第42-45页 |
| 4.3.1 加权学习 | 第42-43页 |
| 4.3.2 目标定位 | 第43-44页 |
| 4.3.3 DWMIL算法的实现 | 第44-45页 |
| 4.4 实验结果与分析 | 第45-48页 |
| 4.4.1 实验参数 | 第45-47页 |
| 4.4.2 实验结果分析 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 基于SIFT特征的目标重新跟踪 | 第49-59页 |
| 5.1 跟踪丢失的难点分析 | 第49-50页 |
| 5.2 基于SIFT特征的目标重跟 | 第50-56页 |
| 5.2.1 SIFT特征 | 第50-53页 |
| 5.2.2 判断跟踪丢失的依据 | 第53页 |
| 5.2.3 目标SIFT模型的建立 | 第53-55页 |
| 5.2.4 目标重跟的实现 | 第55-56页 |
| 5.3 目标重跟的意义 | 第56页 |
| 5.4 实验结果与分析 | 第56-57页 |
| 5.5 本章小结 | 第57-59页 |
| 第六章 全文总结与展望 | 第59-61页 |
| 6.1 全文总结 | 第59-60页 |
| 6.2 后续工作展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 攻硕期间取得的研究成果 | 第64-65页 |
