基于深度学习与相关滤波的目标跟踪算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 目标跟踪研究背景与意义 | 第8-9页 |
| 1.2 目标跟踪领域难点与挑战 | 第9-10页 |
| 1.3 国内外目标跟踪领域的研究发展历程 | 第10-12页 |
| 1.4 本文研究内容及结构安排 | 第12-14页 |
| 第二章 基于多层深度特征的相关滤波目标跟踪算法 | 第14-30页 |
| 2.1 引言 | 第14页 |
| 2.2 目标外观表达对比 | 第14-16页 |
| 2.2.1 传统特征表达 | 第14-16页 |
| 2.2.2 深度学习特征表达 | 第16页 |
| 2.3 基于多层深度特征的目标跟踪算法 | 第16-23页 |
| 2.3.1 卷积神经网络 | 第17-18页 |
| 2.3.2 核相关滤波跟踪算法 | 第18-19页 |
| 2.3.3 自适应更新策略 | 第19-20页 |
| 2.3.4 确定跟踪结果 | 第20-21页 |
| 2.3.5 算法总体结构 | 第21-23页 |
| 2.4 实验及评估 | 第23-29页 |
| 2.4.1 目标跟踪评估标准 | 第24页 |
| 2.4.2 定性评估 | 第24-26页 |
| 2.4.3 整体性能评估 | 第26-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于样本自适应权重的相关滤波跟踪算法 | 第30-44页 |
| 3.1 相关滤波算法中的边界效应 | 第30-31页 |
| 3.2 训练模板的样本权重选择 | 第31-33页 |
| 3.3 基于样本自适应权重的跟踪算法 | 第33-36页 |
| 3.3.1 训练样本权重参数 | 第33-35页 |
| 3.3.2 整体算法流程 | 第35-36页 |
| 3.4 实验结果及分析 | 第36-43页 |
| 3.4.1 实验方案选择 | 第36-38页 |
| 3.4.2 定性评估 | 第38-41页 |
| 3.4.3 整体性能分析 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于卷积神经网络的目标跟踪算法 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 基于卷积神经网络的跟踪算法 | 第44-48页 |
| 4.2.1 样本区域特征提取 | 第44-45页 |
| 4.2.2 样本区域的池化 | 第45-46页 |
| 4.2.3 目标框尺寸回归 | 第46-48页 |
| 4.3 跟踪整体框架 | 第48-50页 |
| 4.3.1 跟踪流程 | 第48-49页 |
| 4.3.2 网络训练与更新 | 第49-50页 |
| 4.4 实验结果及分析 | 第50-54页 |
| 4.4.1 定性评估 | 第50-51页 |
| 4.4.2 整体性能评估 | 第51-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士期间发表的论文 | 第63-64页 |
| 致谢 | 第64页 |
