| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-18页 |
| 1.1 研究背景 | 第9页 |
| 1.2 目标跟踪面临的主要问题 | 第9-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 基于人工特征的目标跟踪算法 | 第12-13页 |
| 1.3.2 基于深度特征的目标跟踪算法 | 第13-14页 |
| 1.3.3 基于似物性采样的目标跟踪算法 | 第14-15页 |
| 1.3.4 发展动态分析及总结 | 第15页 |
| 1.4 论文研究方案 | 第15-16页 |
| 1.5 论文结构层次组织 | 第16-18页 |
| 第2章 深度学习简介 | 第18-26页 |
| 2.1 引言 | 第18页 |
| 2.2 卷积神经网络 | 第18-21页 |
| 2.3 阀门卷积深度网络 | 第21-26页 |
| 2.3.1 受限波尔茨曼机 | 第21-23页 |
| 2.3.2 卷积波尔茨曼机 | 第23-24页 |
| 2.3.3 阀门卷积波尔茨曼机 | 第24-26页 |
| 第3章 基于似物性采样和PCA卷积神经网络的目标跟踪算法 | 第26-44页 |
| 3.1 引言 | 第26-27页 |
| 3.2 基于似物性采样的物体似物性分值计算 | 第27-29页 |
| 3.3 基于PCA卷积神经网络的目标特征提取 | 第29-33页 |
| 3.3.1 两层级联结构式特征提取 | 第29-31页 |
| 3.3.2 目标表观模型的构建 | 第31-33页 |
| 3.4 多线索信息的融合 | 第33-35页 |
| 3.4.1 基于粒子滤波的运动模型 | 第33页 |
| 3.4.2 简单有效的融合策略 | 第33-35页 |
| 3.5 跟踪算法总流程 | 第35-37页 |
| 3.6 实验 | 第37-42页 |
| 3.6.1 实验设置 | 第37页 |
| 3.6.2 算法性能评价 | 第37-41页 |
| 3.6.3 似物性采样模块有效性分析 | 第41-42页 |
| 3.6.4 讨论 | 第42页 |
| 3.7 本章小结 | 第42-44页 |
| 第4章 基于似物性采样和阀门卷积深度网络的目标跟踪算法 | 第44-58页 |
| 4.1 引言 | 第44页 |
| 4.2 基于似物性采样的物体似物性分值计算 | 第44-45页 |
| 4.3 基于阀门卷积深度网络的目标特征提取 | 第45-48页 |
| 4.3.1 特征学习与特征选择 | 第45-47页 |
| 4.3.2 目标表观模型的构建 | 第47-48页 |
| 4.4 似物性采样线索信息的融合 | 第48-50页 |
| 4.5 跟踪算法总流程 | 第50-51页 |
| 4.6 实验 | 第51-57页 |
| 4.6.1 实验设置 | 第51-52页 |
| 4.6.2 算法性能评价 | 第52-56页 |
| 4.6.3 似物性采样模块有效性分析 | 第56-57页 |
| 4.6.4 讨论 | 第57页 |
| 4.7 本章小结 | 第57-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 研究工作总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第66页 |