| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景、目标及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-20页 |
| 1.2.1 目标检测研究现状 | 第17-18页 |
| 1.2.2 目标跟踪研究现状 | 第18-20页 |
| 1.3 目标跟踪中的难点 | 第20-21页 |
| 1.4 目标跟踪系统的框架 | 第21页 |
| 1.5 本文的研究内容 | 第21-22页 |
| 1.6 本文的章节安排 | 第22-23页 |
| 第二章 boosting算法的理论研究 | 第23-33页 |
| 2.1 引言 | 第23页 |
| 2.2 集成学习 | 第23-25页 |
| 2.3 boosting算法的相关理论 | 第25-30页 |
| 2.3.1 boosting算法的发展历史及核心思想 | 第25页 |
| 2.3.2 离线boosting算法 | 第25-27页 |
| 2.3.3 在线boosting算法 | 第27-29页 |
| 2.3.4 离线boosting算法和在线boosting算法比较 | 第29-30页 |
| 2.4 在线boosting运动目标跟踪系统 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 基于时空上下文模型的在线boosting算法 | 第33-47页 |
| 3.1 引言 | 第33页 |
| 3.2 算法的基本思想 | 第33-34页 |
| 3.3 相关理论研究 | 第34-39页 |
| 3.3.1 运动目标跟踪算法中的贝叶斯框架原理 | 第34-36页 |
| 3.3.2 时空上下文模型的快速学习 | 第36-38页 |
| 3.3.3 遮挡因子occ的计算 | 第38-39页 |
| 3.4 基于时空上下文模型的在线boosting算法的实现 | 第39-41页 |
| 3.5 实验验证 | 第41-45页 |
| 3.5.1 实验参数设置 | 第42页 |
| 3.5.2 实验结果分析 | 第42-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于离线学习的在线boosting算法 | 第47-61页 |
| 4.1 引言 | 第47页 |
| 4.2 算法的基本思想 | 第47-48页 |
| 4.3 相关理论研究 | 第48-53页 |
| 4.3.1 在线检测模块中的在线模型的定义 | 第48页 |
| 4.3.2 在线检测模块中的最近邻检测器 | 第48-49页 |
| 4.3.3 基于HOG特征的离线检测器的训练 | 第49-53页 |
| 4.4 基于离线学习的在线boosting算法的实现 | 第53-55页 |
| 4.5 实验验证 | 第55-58页 |
| 4.5.1 实验参数设置 | 第56页 |
| 4.5.2 实验结果分析 | 第56-58页 |
| 4.6 本章小结 | 第58-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 作者简介 | 第69-70页 |
