基于深度学习的复杂交通视频的多目标跟踪
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-15页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文主要研究工作 | 第13-14页 |
| 1.4 论文结构 | 第14-15页 |
| 2 交通数据集和相关技术分析 | 第15-27页 |
| 2.1 数据集相关的目标检测算法 | 第15-21页 |
| 2.1.1 DPM检测算法 | 第16-17页 |
| 2.1.2 ACF检测算法 | 第17页 |
| 2.1.3 R-CNN检测算法 | 第17-18页 |
| 2.1.4 CompACT检测算法 | 第18页 |
| 2.1.5 检测算法在交通数据集上的检测效果 | 第18-21页 |
| 2.2 数据集相关的其他多目标跟踪技术 | 第21-24页 |
| 2.2.1 GOG跟踪方法 | 第22-23页 |
| 2.2.2 基于IOU的跟踪方法 | 第23-24页 |
| 2.3 多目标跟踪评价指标 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 基于深度学习的外观特征模型设计 | 第27-48页 |
| 3.1 深度学习和卷积神经网络 | 第27-33页 |
| 3.1.1 深度学习理论 | 第27-28页 |
| 3.1.2 神经网络的反向传播 | 第28-30页 |
| 3.1.3 卷积神经网络 | 第30-32页 |
| 3.1.4 开源深度学习框架 | 第32-33页 |
| 3.2 基于深度学习的提取外观特征的网络模型设计 | 第33-42页 |
| 3.2.1 整体框架 | 第34页 |
| 3.2.2 孪生网络原理 | 第34-36页 |
| 3.2.3 实验数据准备 | 第36-37页 |
| 3.2.4 网络结构设计与训练 | 第37-39页 |
| 3.2.5 外观特征提取实验结果分析 | 第39-42页 |
| 3.3 利用深度外观特征的多目标跟踪算法 | 第42-47页 |
| 3.3.1 多目标跟踪算法设计和流程 | 第42-44页 |
| 3.3.2 实验数据和评价指标 | 第44-45页 |
| 3.3.3 结合深度特征的多目标跟踪结果分析 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 结合GRU网络提取目标运动特征 | 第48-61页 |
| 4.1 RNN网络 | 第48-53页 |
| 4.1.1 RNN网络与时间序列数据 | 第48-49页 |
| 4.1.2 LSTM网络 | 第49-52页 |
| 4.1.3 GRU网络 | 第52-53页 |
| 4.2 基于深度学习运动特征预测 | 第53-55页 |
| 4.2.1 实验数据准备 | 第53-54页 |
| 4.2.2 训练模型 | 第54-55页 |
| 4.3 结合GRU预测时序特征的多目标跟踪算法 | 第55-60页 |
| 4.3.1 改进的多目标跟踪算法 | 第55-56页 |
| 4.3.2 实验数据和评价指标 | 第56-57页 |
| 4.3.3 结合预测特征的多目标跟踪结果分析 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 5 总结与展望 | 第61-62页 |
| 5.1 工作总结 | 第61页 |
| 5.2 未来展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67页 |
