第1章 绪论
1.1 目标跟踪的应用
1.2 目标跟踪框架及面临的挑战
1.2.1 目标跟踪的基本框架
1.2.2 目标跟踪面临的挑战
1.3 目标跟踪的分类
1.3.1 相关滤波目标跟踪算法
1.3.2 非相关滤波目标跟踪算法
参考文献
第2章 基于l0正则化增量正交映射非负矩阵分解的目标跟踪算法
2.1 概述
2.2 增量正交映射非负矩阵分解
2.3 l0正则化增量正交映射非负矩阵分解的目标表示
2.3.1 l1正则化的目标表示
2.3.2 l0正则化的目标表示
2.3.3 l0正则化的数值解法
2.4 l0正则化增量正交映射非负矩阵分解的目标跟踪算法
2.4.1 运动模型
2.4.2 观测模型
2.4.3 粒子筛选
2.5 实验分析
2.5.1 定性分析
2.5.2 定量分析
2.5.3 机务外场单目标视频跟踪
2.6 小结
参考文献
第3章 基于核协同表示的快速目标跟踪算法
3.1 概述
3.2 相关工作
3.3 基于核协同表示的跟踪算法
3.3.1 核协同表示
3.3.2 基于核协同表示的目标跟踪算法
3.3.3 运动模型
3.3.4 观测模型
3.3.5 样本更新
3.4 实验分析
3.4.1 定性分析
3.4.2 定量分析
3.4.3 时间复杂度对比
3.4.4 机务外场单目标视频跟踪
3.5 小结
参考文献
第4章 基于概率协作表示的目标跟踪算法
4.1 概述
4.2 相关工作
4.2.1 基于稀疏表示l1正则化的目标跟踪算法
4.2.2 基于l2正则化的目标跟踪算法
4.3 概率协作表示
4.3.1 概率协作表示l2正则最小均方机理
4.3.2 基于概率协作表示的目标跟踪
4.4 跟踪框架
4.4.1 动态模型
4.4.2 观测模型及更新机制
4.5 实验分析
4.5.1 定性分析
4.5.2 定量分析
4.5.3 基于不同数量候选样本的跟踪结果对比
4.5.4 基于不同PCA基向量的跟踪结果对比
4.5.5 参数p对跟踪结果的影响
4.5.6 机务外场单目标视频跟踪
4.6 小结
参考文献
第5章 基于半自动权值卷积神经网络的目标跟踪算法
5.1 概述
5.2 SACF跟踪方法
5.2.1 分层卷积特征
5.2.2 基于固定权值卷积神经网络跟踪算法
5.2.3 基于半自动权值卷积神经网络跟踪算法
5.2.4 模型更新机制
5.2.5 尺度估计机制
5.2.6 在线检测机制
5.3 仿真实验
5.3.1 OTB-2013数据库
5.3.2 OTB-2015数据库
5.3.3 DTB数据库
5.3.4 TemplateColor数据库
5.3.5 VOT-2016数据库
5.3.6 机务外场单目标视频跟踪
5.4 小结
参考文献
第6章 一种具有重检测机制的互补学习目标跟踪算法
6.1 概述
6.2 基于相关滤波框架的目标跟踪算法
6.3 重检测机制的目标跟踪算法
6.3.1 自适应余弦窗
6.3.2 跟踪结果可靠性检测
6.3.3 重检测机制
6.3.4 自适应模型更新
6.3.5 尺度估计机制
6.4 实验与讨论
6.4.1 在OTB-2013数据库中进行仿真分析
6.4.2 在OTB-2015数据库中进行仿真分析
6.4.3 在TemplateColor数据库中进行仿真分析
6.4.4 在UAV123@10fps数据库中进行仿真分析
6.4.5 在VOT-2015数据库中进行仿真分析
6.4.6 跟踪速度对比
6.4.7 机务外场单目标视频跟踪
6.4.8 验证实验
6.5 小结
参考文献
第7章 基于l1范数和最小软阈值均方的目标跟踪算法
7.1 概述
7.2 l1算法
7.3 基于l1正则化和最小软阈值的目标跟踪算法
7.3.1 基于l1正则化和PCA基向量矩阵的目标表示模型
7.3.2 基于l1正则化和最小软阈值的目标跟踪框架
7.4 实验结果
7.4.1 定性对比
7.4.2 定量对比
7.5 小结
参考文献
第8章 总结与展望
8.1 总结
8.2 展望
缩略词
展开
