| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-29页 |
| 1.1 研究背景和意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 视频跟踪方法研究分类 | 第16-18页 |
| 1.4 基于外观模型学习的跟踪方法研究进展 | 第18-24页 |
| 1.4.1 目标外观特征描述形式 | 第18-20页 |
| 1.4.2 外观模型学习跟踪算法研究进展 | 第20-23页 |
| 1.4.3 小结 | 第23-24页 |
| 1.5 视频目标持续性跟踪面临的问题 | 第24-26页 |
| 1.6 本论文的创新点和组织结构 | 第26-29页 |
| 1.6.1 论文的创新点 | 第26-27页 |
| 1.6.2 论文的组织结构 | 第27-29页 |
| 第二章 稀疏外观学习跟踪相关理论 | 第29-45页 |
| 2.1 引言 | 第29页 |
| 2.2 基于外观模型学习的跟踪算法研究 | 第29-32页 |
| 2.2.1 算法的基本机制 | 第29-30页 |
| 2.2.2 算法的主要研究内容 | 第30-32页 |
| 2.3 图像稀疏表示理论 | 第32-36页 |
| 2.3.1 稀疏表示模型 | 第32-33页 |
| 2.3.2 稀疏表示的度量 | 第33页 |
| 2.3.3 稀疏表示的优化算法 | 第33-35页 |
| 2.3.4 稀疏表示的优势 | 第35-36页 |
| 2.4 粒子滤波的基本理论 | 第36-41页 |
| 2.4.1 贝叶斯框架下的视频跟踪问题 | 第36-38页 |
| 2.4.2 贝叶斯滤波的蒙特卡罗实现-粒子滤波 | 第38-40页 |
| 2.4.3 粒子滤波中的重采样 | 第40-41页 |
| 2.4.4 粒子滤波的算法流程 | 第41页 |
| 2.5 跟踪效果评价机制 | 第41-43页 |
| 2.6 本章小结 | 第43-45页 |
| 第三章 基于约束稀疏INMF的视频跟踪算法 | 第45-66页 |
| 3.1 引言 | 第45-46页 |
| 3.2 非负矩阵分解相关理论 | 第46-49页 |
| 3.2.1 非负矩阵理论的发展 | 第46-47页 |
| 3.2.2 非负矩阵分解的目标函数 | 第47-48页 |
| 3.2.3 非负矩阵分解的求解方法 | 第48-49页 |
| 3.3 增量式非负矩阵分解理论 | 第49-52页 |
| 3.3.1 增量非负矩阵的目标函数 | 第50-51页 |
| 3.3.2 增量非负矩阵的更新规则 | 第51-52页 |
| 3.4 基于约束INMF的视频目标跟踪算法 | 第52-58页 |
| 3.4.1 稀疏非负子空间外观模型 | 第53-54页 |
| 3.4.2 外观模型的优化求解策略 | 第54-55页 |
| 3.4.3 在线视频跟踪算法框架 | 第55-58页 |
| 3.5 试验结果分析与比较 | 第58-65页 |
| 3.5.1 实验结果定性分析 | 第59-62页 |
| 3.5.2 实验结果定量分析 | 第62-64页 |
| 3.5.3 算法适用性分析 | 第64-65页 |
| 3.6 本章小结 | 第65-66页 |
| 第四章 基于多任务稀疏原型的视频跟踪算法 | 第66-93页 |
| 4.1 引言 | 第66-68页 |
| 4.2 多任务学习基本理论 | 第68-72页 |
| 4.2.1 多任务学习的典型分类 | 第69-71页 |
| 4.2.2 多任务学习的典型算法 | 第71-72页 |
| 4.3 稀疏原型外观模型理论 | 第72-74页 |
| 4.4 基于多任务稀疏原型的视频跟踪算法 | 第74-79页 |
| 4.4.1 多任务稀疏外观模型 | 第74-75页 |
| 4.4.2 基于APG方法的最优化求解策略 | 第75-77页 |
| 4.4.3 视频跟踪算法框架 | 第77-79页 |
| 4.5 试验结果分析与比较 | 第79-92页 |
| 4.5.1 实验结果定性分析 | 第79-91页 |
| 4.5.2 实验结果定量分析 | 第91页 |
| 4.5.3 算法适用性分析 | 第91-92页 |
| 4.6 本章小结 | 第92-93页 |
| 第五章 基于SIFT FLOW运动评估的视频稀疏跟踪算法 | 第93-119页 |
| 5.1 引言 | 第93-95页 |
| 5.2 基于SIFT FLOW场的运动评估 | 第95-98页 |
| 5.2.1 基本的能量函数 | 第95-96页 |
| 5.2.2 基于置信度传播的优化方法 | 第96-97页 |
| 5.2.3 运动趋势评估 | 第97-98页 |
| 5.3 基于SIFT FLOW的目标跟踪算法 | 第98-101页 |
| 5.3.1 轨迹选择和更正机制 | 第99-100页 |
| 5.3.2 模型状态更新机制 | 第100-101页 |
| 5.4 基于自适应混合采样的稀疏目标跟踪算法 | 第101-105页 |
| 5.4.1 基于混合采样机制的跟踪算法框架 | 第102-103页 |
| 5.4.2 观测样本采样机制 | 第103-104页 |
| 5.4.3 自适应样本选择的目标稀疏表示方法 | 第104-105页 |
| 5.5 试验结果分析与比较 | 第105-117页 |
| 5.5.1 试验结果定性分析 | 第106-116页 |
| 5.5.2 实验结果定量分析 | 第116页 |
| 5.5.3 算法适用性分析 | 第116-117页 |
| 5.6 本章小结 | 第117-119页 |
| 第六章 总结与展望 | 第119-121页 |
| 6.1 论文工作总结 | 第119-120页 |
| 6.2 研究工作展望 | 第120-121页 |
| 参考文献 | 第121-138页 |
| 致谢 | 第138-139页 |
| 攻读博士学位期间已发表或录用的论文 | 第139-140页 |
| 攻读学位期间主持和参加的科研项目 | 第140-142页 |