| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 目标跟踪算法的研究现状 | 第12-16页 |
| 1.2.1 单目标跟踪算法 | 第13页 |
| 1.2.2 多目标跟踪算法 | 第13-16页 |
| 1.3 复杂场景下目标跟踪算法面临的挑战 | 第16-17页 |
| 1.4 本文的结构安排 | 第17-20页 |
| 第二章 核相关滤波器跟踪算法 | 第20-26页 |
| 2.1 目标特征表示 | 第20页 |
| 2.2 核相关滤波器跟踪算法 | 第20-24页 |
| 2.2.1 训练样本采集 | 第20-22页 |
| 2.2.2 核正则最小二乘分类器(KRLS)的训练 | 第22-24页 |
| 2.2.3 目标位置和模型更新 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 基于多特征融合的显著性单目标跟踪算法 | 第26-42页 |
| 3.1 目标特征 | 第26-31页 |
| 3.1.1 方向梯度直方图(HOG) | 第26-29页 |
| 3.1.2 颜色命名特征(CN) | 第29-31页 |
| 3.2 改进的核相关滤波器单目标跟踪算法 | 第31-36页 |
| 3.2.1 多特征信息融合 | 第31-33页 |
| 3.2.2 目标尺度估计 | 第33-34页 |
| 3.2.3 遮挡检测算法 | 第34-36页 |
| 3.3 实验结果与分析 | 第36-41页 |
| 3.3.1 实验一：与优秀的跟踪算法作比较 | 第38-39页 |
| 3.3.2 实验二：背景干扰、长期遮挡等情况下的实验结果 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于核相关滤波器多目标跟踪算法 | 第42-54页 |
| 4.1 本章的目标检测算法 | 第42-44页 |
| 4.1.1 卷积神经网络 | 第42-43页 |
| 4.1.2 改进的FasterR-CNN检测算法 | 第43-44页 |
| 4.2 本章的多目标跟踪算法 | 第44-49页 |
| 4.2.1 局部-全局关联算法 | 第46-47页 |
| 4.2.2 跟踪结果处理 | 第47-48页 |
| 4.2.3 目标重新检测 | 第48-49页 |
| 4.3 实验结果与分析 | 第49-53页 |
| 4.3.1 实验一：局部-全局关联算法比较 | 第50页 |
| 4.3.2 实验二：与优秀的跟踪算法比较 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第62-64页 |
| 致谢 | 第64-65页 |