| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究的背景与意义 | 第9-10页 |
| 1.2 目标跟踪的研究内容以及要解决的问题 | 第10-12页 |
| 1.3 当前目标跟踪技术研究现状 | 第12-18页 |
| 1.3.1 视觉跟踪系统的研究与应用现状 | 第12-13页 |
| 1.3.2 目标跟踪算法研究现状 | 第13-18页 |
| 1.4 本文主要研究内容 | 第18-19页 |
| 第二章 目标特征表示与跟踪算法分析 | 第19-37页 |
| 2.1 引言 | 第19页 |
| 2.2 目标表示方法 | 第19-20页 |
| 2.3 目标特征提取 | 第20-25页 |
| 2.3.1 LBP 特征 | 第20-21页 |
| 2.3.2 Haar-like 矩形特征 | 第21-22页 |
| 2.3.3 Harris 角点特征 | 第22-24页 |
| 2.3.4 SIFT 特征 | 第24-25页 |
| 2.4 当前典型跟踪算法分析 | 第25-29页 |
| 2.4.1 卡尔曼滤波算法 | 第25-26页 |
| 2.4.2 粒子滤波算法 | 第26-28页 |
| 2.4.3 Adaboost 分类算法 | 第28-29页 |
| 2.5 Mean Shift 理论与跟踪算法 | 第29-35页 |
| 2.5.1 Mean Shift 理论 | 第29-33页 |
| 2.5.1.1 基本 Mean Shift 和扩展 Mean Shift | 第29-31页 |
| 2.5.1.2 概率密度梯度与迭代 Mean Shift | 第31-33页 |
| 2.5.2 经典 Mean Shift 跟踪算法 | 第33-35页 |
| 2.5.2.1 目标特征提取 | 第33页 |
| 2.5.2.2 相似函数的计算 | 第33-34页 |
| 2.5.2.3 新的迭代位置的计算 | 第34-35页 |
| 2.5.2.4 算法步骤 | 第35页 |
| 2.6 本章小结 | 第35-37页 |
| 第三章 基于颜色与梯度方向联合直方图的 Mean Shift 算法研究 | 第37-49页 |
| 3.1 引言 | 第37页 |
| 3.2 颜色与梯度方向联合直方图 | 第37-40页 |
| 3.2.1 颜色特征 | 第37-38页 |
| 3.2.2 梯度方向特征 | 第38-39页 |
| 3.2.3 颜色与梯度方向联合直方图 | 第39-40页 |
| 3.3 光变因子 | 第40-41页 |
| 3.4 基于目标子区域的跟踪算法 | 第41-44页 |
| 3.5 实验与分析 | 第44-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 尺度与方向自适应的 Mean Shift 跟踪 | 第49-61页 |
| 4.1 引言 | 第49页 |
| 4.2 目标轮廓提取 | 第49-51页 |
| 4.3 基于轮廓的各向异性核函数 | 第51-53页 |
| 4.4 方向与各向异性的尺度自适应更新 | 第53-55页 |
| 4.4.1 方位角度自适应 | 第53页 |
| 4.4.2 各向异性尺度自适应 | 第53-55页 |
| 4.5 各向异性核函数的自适应跟踪 | 第55-56页 |
| 4.6 实验与分析 | 第56-59页 |
| 4.7 本章小结 | 第59-61页 |
| 第五章 结论 | 第61-63页 |
| 5.1 本文主要的工作 | 第61-62页 |
| 5.2 今后工作展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69页 |
