融合卷积神经网络以及光流法的目标跟踪方法
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 目标跟踪的研究现状 | 第15-17页 |
| 1.2.2 图像特征以及分类器的研究现状 | 第17-18页 |
| 1.2.3 深度学习的研究现状 | 第18-20页 |
| 1.3 本文主要研究内容 | 第20-21页 |
| 1.4 论文组织结构 | 第21-22页 |
| 第二章 相关理论 | 第22-31页 |
| 2.1 梯度优化方法 | 第22-26页 |
| 2.1.1 梯度下降法 | 第22-23页 |
| 2.1.2 随机梯度下降法 | 第23-24页 |
| 2.1.3 牛顿法 | 第24-26页 |
| 2.2 LK光流法 | 第26-29页 |
| 2.2.1 LK光流法的实施 | 第26-28页 |
| 2.2.2 LK光流法的理解 | 第28-29页 |
| 2.3 Wilcoxon符号秩检验 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 跟踪算法中的基本元件 | 第31-42页 |
| 3.1 卷积神经网络的介绍 | 第31-36页 |
| 3.1.1 卷积神经网络基本操作 | 第31-35页 |
| 3.1.2 卷积神经网络的性质 | 第35-36页 |
| 3.2 PLK光流法的介绍 | 第36-39页 |
| 3.2.1 PLK光流法的具体实施 | 第36-38页 |
| 3.2.2 PLK光流法的理解 | 第38-39页 |
| 3.3 贝叶斯方法 | 第39-40页 |
| 3.3.1 贝叶斯公式 | 第39-40页 |
| 3.3.2 标准化常量的处理方法 | 第40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 跟踪算法介绍 | 第42-54页 |
| 4.1 基于PLK光流法的跟踪器介绍 | 第42-44页 |
| 4.2 基于卷积神经网络的检测器介绍 | 第44-47页 |
| 4.2.1 网络结构的配置 | 第45-46页 |
| 4.2.2 检测器的具体实施 | 第46-47页 |
| 4.3 基于贝叶斯方法的自适应整合器 | 第47-50页 |
| 4.3.1 具体实施 | 第47-49页 |
| 4.3.2 对整合器的理解 | 第49-50页 |
| 4.4 训练方法 | 第50-52页 |
| 4.5 算法的整体实施 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 算法测试与分析 | 第54-61页 |
| 5.1 算法的配置 | 第54-56页 |
| 5.1.1 设置 | 第54-55页 |
| 5.1.2 数据集介绍 | 第55页 |
| 5.1.3 评估方法 | 第55-56页 |
| 5.2 算法的结果 | 第56-58页 |
| 5.3 算法结果的分析 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读学位期间发表论文 | 第68-70页 |
| 致谢 | 第70页 |
