| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第9-10页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 目标跟踪的研究进展 | 第11-12页 |
| 1.2.2 目标跟踪的研究趋势 | 第12页 |
| 1.3 稀疏子空间和卷积神经网络的研究与发展 | 第12-14页 |
| 1.3.1 稀疏子空间 | 第12-13页 |
| 1.3.2 卷积神经网络 | 第13-14页 |
| 1.4 论文内容安排和主要内容 | 第14-16页 |
| 第2章 目标特征提取和检测方法 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 目标的特征提取 | 第16-18页 |
| 2.2.1 边缘特征 | 第16页 |
| 2.2.2 纹理特征 | 第16-17页 |
| 2.2.3 颜色特征 | 第17页 |
| 2.2.4 多特征融合 | 第17-18页 |
| 2.3 目标的检测方法 | 第18-21页 |
| 2.3.1 背景差分法 | 第18-19页 |
| 2.3.2 帧间差分法 | 第19-20页 |
| 2.3.3 光流法 | 第20-21页 |
| 2.4 仿真实验 | 第21-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 粒子滤波算法 | 第26-39页 |
| 3.1 引言 | 第26页 |
| 3.2 贝叶斯滤波原理 | 第26-28页 |
| 3.2.1 状态空间模型 | 第26-27页 |
| 3.2.2 贝叶斯滤波 | 第27-28页 |
| 3.3 粒子滤波器的改进 | 第28-32页 |
| 3.4 粒子滤波的跟踪方法 | 第32-33页 |
| 3.5 仿真实验 | 第33-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 基于稀疏子空间的PF算法在目标跟踪中的应用 | 第39-49页 |
| 4.1 引言 | 第39页 |
| 4.2 稀疏子空间理论 | 第39-43页 |
| 4.2.1 子空间聚类 | 第40页 |
| 4.2.2 稀疏表示理论 | 第40-43页 |
| 4.3 基于稀疏子空间的粒子滤波目标跟踪算法 | 第43-46页 |
| 4.3.1 粒子的稀疏子空间表示 | 第43-44页 |
| 4.3.2 基于稀疏子空间的跟踪方法 | 第44-45页 |
| 4.3.3 基于稀疏子空间的跟踪方法实现流程 | 第45-46页 |
| 4.4 仿真实验 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于卷积神经网络的目标跟踪应用 | 第49-63页 |
| 5.1 引言 | 第49页 |
| 5.2 人工神经网络 | 第49-53页 |
| 5.2.1 人工神经元模型 | 第49-51页 |
| 5.2.2 BP神经元及BP网络模型 | 第51-53页 |
| 5.3 卷积神经网络 | 第53-56页 |
| 5.3.1 卷积神经网络结构 | 第53-54页 |
| 5.3.2 卷积神经网络的反向传播算法 | 第54-56页 |
| 5.4 基于卷积神经网络的粒子滤波目标跟踪实验 | 第56-61页 |
| 5.4.1 跟踪过程实验步骤与流程图 | 第57-58页 |
| 5.4.2 实验结果与分析 | 第58-61页 |
| 5.5 本章小结 | 第61-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 导师简介 | 第69页 |
| 企业导师简介 | 第69-70页 |
| 作者简介 | 第70-71页 |
| 学位论文数据集 | 第71页 |