| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 课题背景和意义 | 第10-11页 |
| 1.2 国内外目标跟踪算法研究现状 | 第11-14页 |
| 1.2.1 传统的目标跟踪算法 | 第11-12页 |
| 1.2.2 深度学习目标跟踪算法 | 第12-14页 |
| 1.3 目标跟踪的分类与难点 | 第14-16页 |
| 1.3.1 目标跟踪问题的分类 | 第14页 |
| 1.3.2 目标跟踪问题的难点 | 第14-16页 |
| 1.4 目标跟踪系统框架 | 第16-19页 |
| 1.4.1 运动模型 | 第17页 |
| 1.4.2 特征提取 | 第17-18页 |
| 1.4.3 目标外观模型 | 第18-19页 |
| 1.5 深度学习基本模型 | 第19-20页 |
| 1.6 本文主要研究工作和创新点 | 第20-21页 |
| 1.7 论文组织结构 | 第21-22页 |
| 第2章 卷积神经网络特征提取 | 第22-32页 |
| 2.1 人工神经网络 | 第22-25页 |
| 2.1.1 人工神经网络概述 | 第22页 |
| 2.1.2 人工神经网络的结构与特点 | 第22-24页 |
| 2.1.3 前向与反馈神经网络 | 第24-25页 |
| 2.2 卷积神经网络 | 第25-30页 |
| 2.2.1 卷积层结构及特点 | 第25-27页 |
| 2.2.2 非线性层结构及特点 | 第27-28页 |
| 2.2.3 池化层结构及特点 | 第28-29页 |
| 2.2.4 全连接层结构及特点 | 第29页 |
| 2.2.5 损失函数 | 第29-30页 |
| 2.3 误差反向传播算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于单次抽取特征的卷积神经网络跟踪算法 | 第32-46页 |
| 3.1 卷积神经网络的构建 | 第32-35页 |
| 3.1.1 训练数据集 | 第33-34页 |
| 3.1.2 网络训练 | 第34-35页 |
| 3.1.3 迁移学习 | 第35页 |
| 3.2 Softmax分类器 | 第35-36页 |
| 3.3 边框回归 | 第36-38页 |
| 3.4 单次抽取特征 | 第38-40页 |
| 3.5 基于单次抽取特征的卷积神经网络的目标跟踪算法 | 第40-44页 |
| 3.5.1 算法流程介绍 | 第41-43页 |
| 3.5.2 跟踪算法实施细节 | 第43-44页 |
| 3.6 本章小结 | 第44-46页 |
| 第4章 仿真实验结果与分析 | 第46-62页 |
| 4.1 实验环境 | 第46-47页 |
| 4.1.1 Matconvnet框架 | 第46页 |
| 4.1.2 实验设置 | 第46-47页 |
| 4.2 目标跟踪性能的评估 | 第47-51页 |
| 4.2.1 评估平台 | 第48-49页 |
| 4.2.2 评测准则与方法 | 第49-51页 |
| 4.3 实验结果与分析 | 第51-60页 |
| 4.3.1 实验结果定量分析 | 第51-56页 |
| 4.3.2 实验结果定性分析 | 第56-60页 |
| 4.4 本章小结 | 第60-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第69-70页 |
| 致谢 | 第70页 |