基于深度学习的单目标跟踪方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题来源与背景 | 第8-9页 |
| 1.2 课题研究的意义 | 第9-10页 |
| 1.2.1 军事领域 | 第9页 |
| 1.2.2 工业领域 | 第9-10页 |
| 1.2.3 交通管理 | 第10页 |
| 1.2.4 刑侦领域 | 第10页 |
| 1.3 国内外在该方向的研究现状及分析 | 第10-12页 |
| 1.4 本文研究内容和章节 | 第12-14页 |
| 第2章 跟踪问题的分析 | 第14-21页 |
| 2.1 目标跟踪的约束条件 | 第14页 |
| 2.2 单目标跟踪待解决问题 | 第14-16页 |
| 2.3 传统单目标跟踪流程 | 第16-17页 |
| 2.4 目标的特征表示 | 第17-18页 |
| 2.5 传统跟踪算法测评 | 第18-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第3章 基于深度学习的单目标跟踪 | 第21-44页 |
| 3.1 深度学习 | 第21-25页 |
| 3.1.1 深度学习简介 | 第21页 |
| 3.1.2 人工神经网络 | 第21-24页 |
| 3.1.3 卷积神经网络概述 | 第24页 |
| 3.1.4 卷积神经网络结构 | 第24-25页 |
| 3.2 基于深度网络的跟踪算法 | 第25-31页 |
| 3.2.1 MDNet网络 | 第26页 |
| 3.2.2 Siamese FC网络 | 第26-27页 |
| 3.2.3 C-COT | 第27-29页 |
| 3.2.4 ECO | 第29-31页 |
| 3.3 基于GOTURN的实时跟踪模型 | 第31-38页 |
| 3.3.1 AlexNet结构 | 第32-33页 |
| 3.3.2 跟踪器的输入 | 第33-34页 |
| 3.3.3 搜索策略 | 第34页 |
| 3.3.4 跟踪器的输出 | 第34页 |
| 3.3.5 跟踪器的网络结构 | 第34-36页 |
| 3.3.6 数据集的扩增 | 第36-37页 |
| 3.3.7 运动模型 | 第37-38页 |
| 3.3.8 训练数据集 | 第38页 |
| 3.4 跟踪-检测框架 | 第38-42页 |
| 3.4.1 检测器 | 第40-41页 |
| 3.4.2 置信度判断 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 单目标跟踪实验 | 第44-51页 |
| 4.1 短时跟踪测试 | 第44-45页 |
| 4.2 长时跟踪测试 | 第45-49页 |
| 4.3 本章小结 | 第49-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56页 |
