| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.3 论文主要内容 | 第16-17页 |
| 1.4 论文大致结构 | 第17-18页 |
| 第2章 相关知识及理论 | 第18-30页 |
| 2.1 卷积神经网络相关知识及理论 | 第18-23页 |
| 2.1.1 卷积神经网络结构 | 第18-19页 |
| 2.1.2 归一化BN | 第19-20页 |
| 2.1.3 激活函数 | 第20-22页 |
| 2.1.4 残差学习算法 | 第22-23页 |
| 2.2 核相关滤波器相关知识及理论 | 第23-27页 |
| 2.2.1 算法思想 | 第23-24页 |
| 2.2.2 核相关滤波器基本技术 | 第24-26页 |
| 2.2.3 算法描述 | 第26-27页 |
| 2.3 视频目标跟踪的难点 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 基于深度学习的视频目标跟踪方法 | 第30-46页 |
| 3.1 问题的提出 | 第30-31页 |
| 3.2 方法整体设计 | 第31-32页 |
| 3.3 目标遮挡检测算法 | 第32-36页 |
| 3.3.1 遮挡的定义 | 第33页 |
| 3.3.2 基于一步回溯的目标遮挡检测算法 | 第33-36页 |
| 3.4 融合历史训练样本的核相关滤波器目标跟踪算法 | 第36-40页 |
| 3.4.1 历史训练样本获取策略 | 第36-38页 |
| 3.4.2 历史训练样本岭回归模型 | 第38-39页 |
| 3.4.3 算法描述 | 第39-40页 |
| 3.5 基于ResNet再检测的核相关滤波器目标跟踪算法 | 第40-45页 |
| 3.5.1 ResNet网络结构 | 第41-43页 |
| 3.5.2 算法描述 | 第43-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 实验结果及分析 | 第46-60页 |
| 4.1 实验环境及评价指标 | 第46-47页 |
| 4.1.1 实验环境 | 第46页 |
| 4.1.2 评价指标 | 第46-47页 |
| 4.2 数据集 | 第47-48页 |
| 4.3 实验参数设置 | 第48-51页 |
| 4.3.1 一步回溯遮挡检测算法参数设置 | 第48-49页 |
| 4.3.2 历史训练样本参数设置 | 第49-50页 |
| 4.3.3 ResNet网络参数设置 | 第50-51页 |
| 4.4 基于ResNet目标检测有效性验证结果及分析 | 第51-52页 |
| 4.5 本文视频目标跟踪算法结果及分析 | 第52-58页 |
| 4.5.1 定量分析 | 第52-55页 |
| 4.5.2 定性分析 | 第55-58页 |
| 4.6 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |
