基于稀疏表示与核方法的结构化目标跟踪算法研究

目录

中英文对照表

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 生成式方法

1.2.2 判别式方法

1.2.3 基于深度学习的跟踪方法

1.3 目标跟踪的技术难点

1.4 实验数据集和评估标准

1.4.1 实验数据集

1.4.2 评估标准

1.5 论文的主要研究工作和组织形式

1.5.1 论文主要研究工作

1.5.2 论文组织形式

2 基于稀疏表示和核相关滤波器的目标跟踪基础算法

2.1 引言

2.2 粒子滤波理论

2.2.1 递推贝叶斯滤波

2.2.2 粒子滤波

2.3 稀疏表示理论

2.4 基于稀疏表示的目标跟踪算法

2.5 核相关滤波器

2.5.1 相关滤波器

2.5.2 岭回归

2.5.3 循环样本

2.5.4 核相关滤波

2.5.5 目标检测阶段

2.5.6 模型更新阶段

2.6 本章小结

3 基于稀疏表示的自适应加权结构化目标跟踪算法

3.1 引言

3.2 基于稀疏表示的自适应加权结构化跟踪算法

3.2.1 结构化局部稀疏外观模型

3.2.2 局部块加权策略

3.2.4 遮挡情况下的块丢弃策略

3.2.5 自适应字典模板更新

3.3 算法流程

3.4 实验

3.4.1 参数设置

3.4.2 定量分析

3.4.3 定性分析

3.5 本章小结

4 基于深度卷积特征的空间上下文核相关滤波尺度自适应目标跟踪算法

4.1 引言

4.2 空间上下文信息

4.3 自适应尺度检测机制

4.4 深度卷积特征

4.4.1 单层深度卷积特征

4.4.2 多层深度卷积特征

4.5 实验

4.5.1 参数设置

4.5.2 定量分析

4.5.3 定性分析

4.6 本章小结

5 基于稀疏表示与核方法的结构化目标跟踪算法

5.1 引言

5.2 基于稀疏表示与核方法的结构化目标跟踪算法

5.2.1 真实候选样本选择

5.2.2 目标定位

5.2.3 算法流程

5.3 实验

5.3.1 参数设置

5.3.2 定量分析

5.3.3 定性分析

5.4 本章小结

6 总结与展望

6.1 工作总结

6.2 未来展望

致谢

参考文献

附录