| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 基于检测的多目标跟踪的研究背景与意义 | 第9页 |
| 1.2 基于检测的多目标跟踪的国内外研究现状 | 第9-14页 |
| 1.2.1 基于检测的多目标跟踪模型 | 第9-11页 |
| 1.2.2 基于检测的多目标跟踪特征表示 | 第11-13页 |
| 1.2.3 基于检测的多目标跟踪评价体系 | 第13页 |
| 1.2.4 基于检测的多目标跟踪发展方向 | 第13-14页 |
| 1.3 本文的主要工作内容和结构安排 | 第14-16页 |
| 第二章 多目标跟踪理论基础研究 | 第16-30页 |
| 2.1 贝叶斯理论 | 第16-17页 |
| 2.2 概率图模型 | 第17-19页 |
| 2.2.1 隐马尔可夫模型 | 第17页 |
| 2.2.2 马尔可夫随机场 | 第17-18页 |
| 2.2.3 条件随机场 | 第18-19页 |
| 2.3 神经网络 | 第19-25页 |
| 2.3.1 逻辑回归模型 | 第19-21页 |
| 2.3.2 前馈神经网络 | 第21-23页 |
| 2.3.3 自编码器 | 第23页 |
| 2.3.4 栈式自编码器 | 第23-25页 |
| 2.4 集成学习 | 第25-28页 |
| 2.4.1 决策树 | 第25-26页 |
| 2.4.2 随机森林 | 第26-27页 |
| 2.4.3 梯度提升法 | 第27-28页 |
| 2.5 网络流模型 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 基于层级栈式自编码器的多目标跟踪特征提取模型 | 第30-43页 |
| 3.1 基于神经网络的单目标跟踪特征提取模型 | 第30-32页 |
| 3.2 多目标跟踪特征提取系统建模 | 第32-38页 |
| 3.2.1 条件随机场建模 | 第32-34页 |
| 3.2.2 层级栈式自编码器结构 | 第34-35页 |
| 3.2.3 特征的序贯性和互异性 | 第35-36页 |
| 3.2.4 最邻近继承策略 | 第36-37页 |
| 3.2.5 训练方法 | 第37-38页 |
| 3.3 实验分析 | 第38-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于随机森林和梯度提升的特征选择和相似度学习 | 第43-56页 |
| 4.1 目标检测的不稳定问题 | 第43-45页 |
| 4.2 视频检测的时空特征 | 第45-46页 |
| 4.3 特征选择 | 第46-48页 |
| 4.4 模型调参与相似度估计 | 第48-49页 |
| 4.5 实验分析 | 第49-54页 |
| 4.6 本章小结 | 第54-56页 |
| 第五章 基于动态规划的多目标跟踪网络流模型改进 | 第56-69页 |
| 5.1 基于最小费用最大流的多目标跟踪模型 | 第56-58页 |
| 5.2 改进的最小费用最大流模型 | 第58-61页 |
| 5.3 利用动态规划算法求解改进的最小费用流模型 | 第61-62页 |
| 5.3.1 连续最短路径算法求最优解 | 第61-62页 |
| 5.3.2 动态规划算法求近似最优解 | 第62页 |
| 5.4 实验分析 | 第62-68页 |
| 5.4.1 多目标跟踪评价指标 | 第62-64页 |
| 5.4.2 改进的多目标跟踪方法实验结果及分析 | 第64-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-70页 |
| 6.1 全文总结 | 第69页 |
| 6.2 后续工作展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 攻读硕士学位期间取得的成果 | 第74页 |