单目图像序列中行人检测及跟踪技术
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究意义 | 第10页 |
| 1.2 研究现状 | 第10-19页 |
| 1.2.1 行人检测研究现状 | 第11-14页 |
| 1.2.2 目标跟踪研究现状 | 第14-19页 |
| 1.3 研究内容 | 第19-20页 |
| 1.4 论文结构 | 第20-21页 |
| 第2章 基于深度通道的行人检测 | 第21-35页 |
| 2.1 引言 | 第21页 |
| 2.2 深度卷积神经网络 | 第21-24页 |
| 2.2.1 非监督特征学习与深度学习 | 第21-22页 |
| 2.2.2 卷积神经网络 | 第22-24页 |
| 2.3 深度通道特征及行人检测 | 第24-29页 |
| 2.3.1 稀疏滤波 | 第24-25页 |
| 2.3.2 深度通道特征 | 第25-27页 |
| 2.3.3 行人检测 | 第27-29页 |
| 2.4 实验结果及分析 | 第29-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于时空线索融合的目标跟踪 | 第35-53页 |
| 3.1 引言 | 第35页 |
| 3.2 交替模板更新 | 第35-39页 |
| 3.3 基于增量式张量子空间的表观建模 | 第39-44页 |
| 3.3.1 张量及其基本运算 | 第39-40页 |
| 3.3.2 增量式张量子空间学习 | 第40-41页 |
| 3.3.3 贝叶斯推理及目标跟踪 | 第41-44页 |
| 3.4 实验结果及分析 | 第44-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 基于在线朴素贝叶斯的行人跟踪 | 第53-62页 |
| 4.1 引言 | 第53页 |
| 4.2 在线朴素贝叶斯分类器 | 第53-54页 |
| 4.3 基于简单随机特征的目标跟踪 | 第54-57页 |
| 4.4 实验结果及分析 | 第57-61页 |
| 4.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-72页 |
| 攻读学位期间发表的论文与研究成果清单 | 第72-73页 |
| 致谢 | 第73页 |
