| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 引言 | 第17-18页 |
| 1.2 目标跟踪算法发展现状 | 第18-22页 |
| 1.2.1 基目标跟踪任务简介 | 第18-19页 |
| 1.2.2 基于传统方法的目标跟踪 | 第19-20页 |
| 1.2.3 基于相关滤波的目标跟踪 | 第20-21页 |
| 1.2.4 基于深度学习的目标跟踪 | 第21-22页 |
| 1.3 主要研究内容和章节安排 | 第22-23页 |
| 第二章 核相关滤波算法和孪生神经网络简介 | 第23-37页 |
| 2.1 正则最小二乘分类器 | 第23-26页 |
| 2.1.1 正则最小二乘分类器 | 第23-25页 |
| 2.1.2 核函数简介 | 第25-26页 |
| 2.2 循环矩阵与相关滤波 | 第26-31页 |
| 2.2.1 循环移位与循环矩阵 | 第26-29页 |
| 2.2.2 核相关滤波 | 第29-31页 |
| 2.3 基于相似度度量的神经网络 | 第31-36页 |
| 2.3.1 卷积神经网络简介 | 第31-32页 |
| 2.3.2 基于相似度度量的卷积神经网络 | 第32-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于局部区域的自适应相关滤波目标跟踪 | 第37-65页 |
| 3.1 核相关滤波在线更新法则 | 第37-42页 |
| 3.2 基于局部区域的自适应相关滤波目标跟踪 | 第42-56页 |
| 3.2.1 基于局部区域正负样本挖掘 | 第42-45页 |
| 3.2.2 基于尺度预估计的矩形框回归预测法BRCF | 第45-51页 |
| 3.2.3 基于高斯窗函数与PSMLR的自适应模型 | 第51-56页 |
| 3.3 实验结果与分析 | 第56-63页 |
| 3.4 本章小结 | 第63-65页 |
| 第四章 基于注意力全卷积孪生神经网络的目标跟踪 | 第65-89页 |
| 4.1 Siamese-FC网络结构与局限性分析 | 第65-70页 |
| 4.2 基于Siamese-FC网络结构改进的A-Siamese-Net | 第70-79页 |
| 4.2.1 自适应目标尺寸的可变样本模版特征 | 第70-72页 |
| 4.2.2 基于通道间注意力模型的特征自选择模型 | 第72-75页 |
| 4.2.3 模型的训练、测试以及算法流程 | 第75-79页 |
| 4.3 实验结果 | 第79-86页 |
| 4.4 A-Siamese-Net与BRCF应用场景分析 | 第86-88页 |
| 4.5 本章小结 | 第88-89页 |
| 第五章 总结和展望 | 第89-91页 |
| 5.1 本论文工作总结 | 第89页 |
| 5.2 研究展望 | 第89-91页 |
| 参考文献 | 第91-95页 |
| 致谢 | 第95-97页 |
| 作者简介 | 第97-98页 |
