基于多分类器融合的长期目标跟踪算法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第11-18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12-17页 |
| 1.2.1 相关滤波器类目标跟踪算法 | 第14-15页 |
| 1.2.2 卷积神经网络类目标跟踪算法 | 第15-17页 |
| 1.3 本文的研究内容及章节安排 | 第17-18页 |
| 第2章 相关滤波器理论 | 第18-32页 |
| 2.1 引言 | 第18-19页 |
| 2.2 相关滤波器 | 第19-29页 |
| 2.2.1 图像特征 | 第19-23页 |
| 2.2.2 岭回归 | 第23-24页 |
| 2.2.3 循环矩阵与密集采样 | 第24-26页 |
| 2.2.4 余弦窗 | 第26-27页 |
| 2.2.5 核技巧 | 第27-28页 |
| 2.2.6 模型更新 | 第28-29页 |
| 2.3 尺度相关滤波器 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于融合的目标跟踪算法 | 第32-49页 |
| 3.1 引言 | 第32-33页 |
| 3.2 贝叶斯分类器 | 第33-36页 |
| 3.2.1 贝叶斯决策理论 | 第33-34页 |
| 3.2.2 贝叶斯分类器 | 第34-36页 |
| 3.3 局部敏感直方图 | 第36-38页 |
| 3.4 分类器融合 | 第38-40页 |
| 3.5 高置信度更新策略 | 第40-41页 |
| 3.6 实验结果和分析 | 第41-48页 |
| 3.6.1 评价标准 | 第41-42页 |
| 3.6.2 组件分析 | 第42-43页 |
| 3.6.3 对比实验 | 第43-45页 |
| 3.6.4 定性分析 | 第45-48页 |
| 3.7 本章小结 | 第48-49页 |
| 第4章 基于多分类器融合的长期目标跟踪算法 | 第49-79页 |
| 4.1 引言 | 第49-50页 |
| 4.2 基于多分类器融合的长期目标跟踪算法 | 第50-62页 |
| 4.2.1 长期跟踪概述 | 第50-52页 |
| 4.2.2 基础跟踪算法 | 第52-53页 |
| 4.2.3 自适应学习率 | 第53-55页 |
| 4.2.4 在线支持向量机 | 第55-57页 |
| 4.2.5 辅助重检测 | 第57-62页 |
| 4.3 快速尺度相关滤波器 | 第62-65页 |
| 4.3.1 主成分分析 | 第62-64页 |
| 4.3.2 快速尺度相关滤波器 | 第64-65页 |
| 4.4 实验结果和分析 | 第65-78页 |
| 4.4.1 组件分析 | 第66-67页 |
| 4.4.2 对比实验 | 第67-74页 |
| 4.4.3 定性分析 | 第74-78页 |
| 4.5 本章小结 | 第78-79页 |
| 第5章 总结与展望 | 第79-81页 |
| 5.1 论文总结 | 第79-80页 |
| 5.2 研究展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-89页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第89页 |
