基于核化相关滤波器的视觉标跟踪算法研究与改进
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文研究内容及章节安排 | 第13-15页 |
| 第二章 基于相关滤波的目标跟踪算法基础 | 第15-23页 |
| 2.1 跟踪算法框架 | 第15-16页 |
| 2.2 特征提取 | 第16-18页 |
| 2.3 余弦窗函数 | 第18-19页 |
| 2.4 岭回归 | 第19-20页 |
| 2.5 核函数理论 | 第20-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 自适应模板更新的目标跟踪算法 | 第23-34页 |
| 3.1 统计学习模型 | 第23-24页 |
| 3.2 改进的分类器模型 | 第24-27页 |
| 3.3 自适应模型更新设计 | 第27-28页 |
| 3.4 实验结果与分析 | 第28-33页 |
| 3.4.1 评价方法 | 第29-30页 |
| 3.4.2 实验结果 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 基于深度卷积神经网络的目标跟踪算法 | 第34-51页 |
| 4.1 卷积神经网络结构 | 第34-35页 |
| 4.2 卷积神经网络的训练 | 第35-37页 |
| 4.3 多通道特征使用 | 第37-38页 |
| 4.4 卷积特征跟踪算法设计 | 第38-41页 |
| 4.4.1 特征图归一化 | 第38-39页 |
| 4.4.2 响应图融合算法设计 | 第39-41页 |
| 4.5 多尺度预测算法设计 | 第41-45页 |
| 4.5.1 尺度预测流程 | 第41-42页 |
| 4.5.2 自适应高斯窗函数 | 第42-45页 |
| 4.6 实验结果及分析 | 第45-50页 |
| 4.6.1 定量分析 | 第45-47页 |
| 4.6.2 定性分析 | 第47-50页 |
| 4.7 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表的学术论文 | 第58页 |
