| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景与意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 目标跟踪现状 | 第11-14页 |
| 1.2.2 绝缘子跟踪现状 | 第14页 |
| 1.3 本文主要工作和内容安排 | 第14-16页 |
| 第2章 基于时空上下文的航拍绝缘子跟踪方法 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 基于时空上下文的航拍绝缘子跟踪方法 | 第16-22页 |
| 2.2.1 方案 | 第16-17页 |
| 2.2.2 LBP特征 | 第17-19页 |
| 2.2.2.1 LBP理论介绍 | 第17-18页 |
| 2.2.2.2 LBP提取步骤 | 第18-19页 |
| 2.2.2.3 航拍绝缘子LBP特征提取 | 第19页 |
| 2.2.3 时空上下文的基本理论 | 第19-21页 |
| 2.2.4 改进尺度更新策略 | 第21-22页 |
| 2.3 实验结果与分析 | 第22-26页 |
| 2.3.1 公共数据集的结果与分析 | 第22-23页 |
| 2.3.2 绝缘子数据的结果与分析 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于卷积神经网络的航拍视频绝缘子跟踪 | 第27-40页 |
| 3.1 引言 | 第27页 |
| 3.2 基于卷积神经网络的航拍绝缘子跟踪方法 | 第27-35页 |
| 3.2.1 方案 | 第27-28页 |
| 3.2.2 卷积神经网络的基本理论 | 第28-31页 |
| 3.2.2.1 卷积神经网络 | 第28页 |
| 3.2.2.2 卷积神经网络的基本结构 | 第28-29页 |
| 3.2.2.3 VGG-16卷积神经网络模型 | 第29-31页 |
| 3.2.3 基于卷积神经网络的航拍绝缘子跟踪 | 第31-35页 |
| 3.2.3.1 集成学习 | 第31-32页 |
| 3.2.3.2 用连续集成学习在线训练CNN | 第32-33页 |
| 3.2.3.3 带有掩膜的卷积层 | 第33-34页 |
| 3.2.3.4 跟踪算法流程 | 第34-35页 |
| 3.3 实验结果与分析 | 第35-39页 |
| 3.3.1 程序运行 | 第35-37页 |
| 3.3.2 公共数据集的实验结果与分析 | 第37-38页 |
| 3.3.3 绝缘子数据的实验结果与分析 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于递归神经网络的航拍视频绝缘子跟踪 | 第40-49页 |
| 4.1 引言 | 第40页 |
| 4.2 基于递归神经网络的航拍绝缘子跟踪方法 | 第40-46页 |
| 4.2.1 方案 | 第40页 |
| 4.2.2 递归神经网络的基本理论 | 第40-43页 |
| 4.2.2.1 递归神经网络的结构 | 第41-43页 |
| 4.2.3 基于递归神经网络的航拍绝缘子跟踪方法理论介绍 | 第43-46页 |
| 4.2.3.1 RNN建模目标自结构 | 第43-45页 |
| 4.2.3.2 网络结构 | 第45页 |
| 4.2.3.3 训练 | 第45-46页 |
| 4.2.3.4 跟踪和更新 | 第46页 |
| 4.2.3.5 最小块挖掘 | 第46页 |
| 4.2.3.6 框细化 | 第46页 |
| 4.3 实验结果与分析 | 第46-48页 |
| 4.3.1 公共数据集的实验结果与分析 | 第47-48页 |
| 4.3.2 绝缘子数据的实验结果与分析 | 第48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-50页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第53-54页 |
| 致谢 | 第54页 |