摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-18页 |
1.1 序言 | 第9页 |
1.2 国内外研究进展 | 第9-15页 |
1.2.1 哈尔角点检测器(Haris Corner Detection) | 第9-10页 |
1.2.2 尺度不变特征变化(Scale Invariant Feature Transform,SIFT) | 第10-11页 |
1.2.3 梯度方向直方图(Histogram of oriented gradient,HOG) | 第11-12页 |
1.2.4 积分图像以及harr-like特征 | 第12-14页 |
1.2.5 SURF | 第14页 |
1.2.6 区域提案-卷积神经网络(R-CNN) | 第14-15页 |
1.3 本论文主要研究内容 | 第15-16页 |
1.4 本章小结 | 第16-18页 |
第二章 人工神经网络及卷积神经网络理论 | 第18-29页 |
2.1 卷积神经网络(convolutional neural networks, CNN) | 第18-27页 |
2.1.1 人工神经网络 | 第18-24页 |
2.1.2 卷积神经网络 | 第24-27页 |
2.2 本章小结 | 第27-29页 |
第三章 基于深度学习的识别网络的建立 | 第29-45页 |
3.1 数据库的建立 | 第29-31页 |
3.2 多层卷积神经网络分类器的建立 | 第31-43页 |
3.2.1 残差网络 | 第32-33页 |
3.2.2 提取特征的网络结构 | 第33-36页 |
3.2.3 填充操作(padding)和图像退化 | 第36-37页 |
3.2.4 边框(bounding box)坐标预测 | 第37-39页 |
3.2.5 联合判断类比以增加准确率 | 第39页 |
3.2.6 特定目标检测器的检测指标 | 第39-43页 |
3.3 本章小结 | 第43-45页 |
第四章 追踪过程的实现 | 第45-50页 |
4.1 卡尔曼滤波器 | 第45-48页 |
4.2 匈牙利算法 | 第48页 |
4.3 本章小结 | 第48-50页 |
第五章 实验过程以及实验结论 | 第50-56页 |
5.1 实验设备 | 第50页 |
5.2 实验结果以及分析 | 第50-55页 |
5.2.1 构建针对小目标增强的基于卷积神经网络的特定目标快速检测器 | 第50-53页 |
5.2.2 联合卡尔曼滤波以及匈牙利算法完成特定目标的快速跟踪 | 第53-55页 |
5.3 本章小结 | 第55-56页 |
第六章 结论及展望 | 第56-59页 |
6.1 总结 | 第56-57页 |
6.2 主要的创新点 | 第57-58页 |
6.3 工作展望 | 第58-59页 |
致谢 | 第59-60页 |
参考文献 | 第60-63页 |
附录 | 第63页 |