融合时空信息的连续相关滤波用于目标跟踪
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 研究现状 | 第12-16页 |
| 1.2.1 生成式表观模型 | 第13-14页 |
| 1.2.2 判别式表观模型 | 第14-16页 |
| 1.3 论文研究内容及组织结构 | 第16-17页 |
| 第二章 基于相关滤波器的目标跟踪框架 | 第17-28页 |
| 2.1 目标跟踪框架 | 第17-21页 |
| 2.1.1 运动模型 | 第18页 |
| 2.1.2 特征提取 | 第18-20页 |
| 2.1.3 观测模型 | 第20-21页 |
| 2.1.4 模型更新 | 第21页 |
| 2.1.5 总体后处理 | 第21页 |
| 2.2 基于相关滤波器的目标跟踪算法 | 第21-27页 |
| 2.2.1 岭回归 | 第23页 |
| 2.2.2 循环采样 | 第23-25页 |
| 2.2.3 核化 | 第25-27页 |
| 2.3 目标跟踪领域常用性能评价指标 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 改进的相关滤波跟踪算法 | 第28-38页 |
| 3.1 改进的分类模型 | 第28-30页 |
| 3.2 自适应更新模版 | 第30-32页 |
| 3.3 实验结果与分析 | 第32-37页 |
| 3.3.1 定性评价 | 第33-35页 |
| 3.3.2 定量评价 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 融合时空信息的连续相关滤波目标跟踪 | 第38-54页 |
| 4.1 基于深度学习的目标跟踪 | 第38-42页 |
| 4.1.1 卷积神经网络 | 第38-41页 |
| 4.1.2 基于深度学习的目标跟踪算法 | 第41-42页 |
| 4.2 融合时空信息的连续相关滤波跟踪算法 | 第42-45页 |
| 4.2.1 卷积特征 | 第43-45页 |
| 4.2.2 响应图融合 | 第45页 |
| 4.3 目标尺度估计 | 第45-47页 |
| 4.4 实验结果与分析 | 第47-52页 |
| 4.4.1 参数设置 | 第47-48页 |
| 4.4.2 定性比较 | 第48-51页 |
| 4.4.3 定量分析 | 第51-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 本文工作总结 | 第54-55页 |
| 5.2 未来工作展望 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间发表的学术论文目录 | 第62页 |
