| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 车辆跟踪的研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 目标跟踪算法现状 | 第11-13页 |
| 1.2.2 深度学习在跟踪中应用现状 | 第13-14页 |
| 1.3 本课题主要研究内容 | 第14-16页 |
| 1.3.1 改进混合高斯模型的运动目标检测算法 | 第14-15页 |
| 1.3.2 结合改进目标检测算法的目标跟踪算法 | 第15-16页 |
| 1.3.3 ReLUs优化的卷积神经网络框架 | 第16页 |
| 1.3.4 级联结构 | 第16页 |
| 1.4 本文主要研究内容以及章节安排 | 第16-19页 |
| 1.4.1 本文创新 | 第17-18页 |
| 1.4.2 章节结构 | 第18-19页 |
| 第二章 跟踪算法与深度学习概述 | 第19-29页 |
| 2.1 运动目标检测 | 第19-20页 |
| 2.1.1 背景差分法 | 第19-20页 |
| 2.1.2 帧间差分法 | 第20页 |
| 2.1.3 光流法 | 第20页 |
| 2.2 跟踪算法 | 第20-23页 |
| 2.2.1 Kalman滤波器和粒子滤波器 | 第21-22页 |
| 2.2.2 Meanshift算法和Camshift算法 | 第22页 |
| 2.2.3 基于特征的跟踪 | 第22-23页 |
| 2.3 卷积神经网络 | 第23-28页 |
| 2.3.1 卷积神经网络的历史 | 第23-24页 |
| 2.3.2 神经网络 | 第24-26页 |
| 2.3.3 卷积神经网络的网络结构 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 跟踪算法及其改进 | 第29-50页 |
| 3.1 传统混合高斯背景模型 | 第29-30页 |
| 3.1.1 背景图像的生成 | 第29-30页 |
| 3.1.2 混合高斯模型参数更新 | 第30页 |
| 3.1.3 背景模型选择及前景检测 | 第30页 |
| 3.2 改进混合高斯模型 | 第30-35页 |
| 3.2.1 一种创新的背景模式邻域更新法 | 第31-32页 |
| 3.2.2 利用三帧差算法快速更新背景显露区域 | 第32-33页 |
| 3.2.3 改进背景显露区域学习率 | 第33页 |
| 3.2.4 改进算法流程图 | 第33-35页 |
| 3.3 改进混合高斯模型运动目标检测算法的实现结果 | 第35-38页 |
| 3.3.1 实验一——“影子”处理效果 | 第35-37页 |
| 3.3.2 实验二——噪音处理 | 第37-38页 |
| 3.4 基于改进运动目标检测算法与粒子滤波目标跟踪算法 | 第38-49页 |
| 3.4.1 传统粒子滤波算法流程 | 第39-41页 |
| 3.4.2 彩色直方图 | 第41-42页 |
| 3.4.3 本次试验流程 | 第42-43页 |
| 3.4.4 实验及效果展示 | 第43-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于深度学习的跟踪算法研究 | 第50-68页 |
| 4.1 候选区域生成 | 第50-55页 |
| 4.1.1 基于图的图像分割(Graph-Based Image Segmentation) | 第51-52页 |
| 4.1.2 选择性搜索——Selective Search算法 | 第52-54页 |
| 4.1.3 尺寸归一化 | 第54-55页 |
| 4.2 级联结构 | 第55-57页 |
| 4.3 特征的提取——卷积神经网络 | 第57-60页 |
| 4.3.1 低阶分类网络 | 第57-58页 |
| 4.3.2 卷积神经网络(CNN) | 第58-59页 |
| 4.3.3 卷积层 | 第59-60页 |
| 4.4 实验结果 | 第60-67页 |
| 4.4.1 模型训练 | 第61-62页 |
| 4.4.2 实验一：分割模块对准确率的影响分析 | 第62-64页 |
| 4.4.3 实验二：本文算法与传统算法中心误差的对比 | 第64-65页 |
| 4.4.4 实验三：本文算法与传统算法准确率与召回率的对比 | 第65-67页 |
| 4.5 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间取得的学术成果 | 第75-76页 |
| 致谢 | 第76页 |
