基于深度学习和回归模型的视觉目标跟踪算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-30页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 视觉目标跟踪研究难点 | 第12-14页 |
| 1.3 研究现状 | 第14-27页 |
| 1.4 主要研究内容 | 第27-29页 |
| 1.5 论文组织结构 | 第29-30页 |
| 2 基于增强的结构化相关滤波的跟踪算法 | 第30-51页 |
| 2.1 引言 | 第30-32页 |
| 2.2 结构化相关滤波模型 | 第32-35页 |
| 2.3 目标增强及背景抑制 | 第35-37页 |
| 2.4 自适应模型更新 | 第37-38页 |
| 2.5 目标尺度的随机估计 | 第38-39页 |
| 2.6 实验结果与分析 | 第39-50页 |
| 2.7 本章小结 | 第50-51页 |
| 3 基于卷积回归模型的跟踪算法 | 第51-74页 |
| 3.1 引言 | 第51-53页 |
| 3.2 卷积回归模型 | 第53-55页 |
| 3.3 样本再平衡 | 第55-57页 |
| 3.4 基于卷积回归的跟踪框架 | 第57-60页 |
| 3.5 实验结果与分析 | 第60-70页 |
| 3.6 本章小结 | 第70-74页 |
| 4 基于层级回归模型的跟踪算法 | 第74-93页 |
| 4.1 引言 | 第74-75页 |
| 4.2 总体跟踪框架 | 第75-76页 |
| 4.3 层级式的卷积回归模型 | 第76-79页 |
| 4.4 目标定位 | 第79页 |
| 4.5 目标尺度预测 | 第79-81页 |
| 4.6 实验结果与分析 | 第81-91页 |
| 4.7 本章小结 | 第91-93页 |
| 5 基于双通道卷积神经网络的跟踪算法 | 第93-109页 |
| 5.1 引言 | 第93-94页 |
| 5.2 双通道的卷积神经网络模型 | 第94-95页 |
| 5.3 损失函数 | 第95-96页 |
| 5.4 网络模型训练 | 第96-99页 |
| 5.5 基于预测可信度的目标定位和尺度预测 | 第99-100页 |
| 5.6 实验结果与分析 | 第100-107页 |
| 5.7 本章小结 | 第107-109页 |
| 6 全文总结与工作展望 | 第109-113页 |
| 6.1 全文工作总结 | 第109-112页 |
| 6.2 工作展望 | 第112-113页 |
| 致谢 | 第113-115页 |
| 参考文献 | 第115-122页 |
| 附录1 攻读学位期间发表论文目录 | 第122-123页 |
| 附录2 公开发表的学术论文与博士学位论文的关系 | 第123-124页 |
| 附录3 攻读博士学位期间参与的科研项目 | 第124-125页 |
