| 致谢 | 第10-11页 |
| 摘要 | 第11-13页 |
| ABSTRACT | 第13-14页 |
| 第一章 绪论 | 第20-28页 |
| 1.1 研究背景与意义 | 第20-21页 |
| 1.2 目标跟踪早期研究算法 | 第21-22页 |
| 1.3 当前主流目标跟踪算法 | 第22-23页 |
| 1.3.1 稀疏表示模型跟踪算法 | 第22页 |
| 1.3.2 相关滤波跟踪研究模型 | 第22-23页 |
| 1.3.3 深度学习模型跟踪算法 | 第23页 |
| 1.4 复杂场景下目标跟踪鲁棒性研究的提出背景、意义及其解决方法 | 第23-24页 |
| 1.4.1 复杂场景 | 第23页 |
| 1.4.2 鲁棒性定义 | 第23-24页 |
| 1.4.3 研究算法 | 第24页 |
| 1.5 本文工作的创新点 | 第24-26页 |
| 1.6 论文的内容组织 | 第26-28页 |
| 第二章 相关滤波技术 | 第28-32页 |
| 2.1 引言 | 第28页 |
| 2.1.1 传统判别式模型问题 | 第28页 |
| 2.1.2 相关滤波算法 | 第28页 |
| 2.2 循环矩阵及其性质 | 第28-29页 |
| 2.2.1 循环矩阵概念 | 第28-29页 |
| 2.2.2 循环矩阵的性质 | 第29页 |
| 2.3 相关滤波求解 | 第29-31页 |
| 2.3.1 相关滤波通用损失函数 | 第29页 |
| 2.3.2 线性回归相关滤波求解 | 第29-30页 |
| 2.3.3 非线性回归相关滤波求解 | 第30-31页 |
| 2.3.4 核函数对角化 | 第31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 复杂场景下支持向量相关滤波鲁棒跟踪算法 | 第32-50页 |
| 3.1 引言 | 第32-33页 |
| 3.2 相关工作 | 第33-38页 |
| 3.2.1 支持向量机跟踪算法 | 第33页 |
| 3.2.2 相关滤波算法 | 第33页 |
| 3.2.3 传统相关滤波算法 | 第33-34页 |
| 3.2.4 支持向量相关滤波 | 第34页 |
| 3.2.5 二分类问题 | 第34-35页 |
| 3.2.6 重检测过程 | 第35页 |
| 3.2.7 通过SVM进行重检测学习 | 第35-36页 |
| 3.2.8 通过被动攻击算法进行重检测更新 | 第36-37页 |
| 3.2.9 重检测标准 | 第37-38页 |
| 3.3 自适应模型更新 | 第38-39页 |
| 3.4 实验结果 | 第39-48页 |
| 3.4.1 实验参数设置 | 第39-40页 |
| 3.4.2 实验设置 | 第40页 |
| 3.4.3 全局定量评估分析 | 第40-41页 |
| 3.4.4 属性定量分析 | 第41-44页 |
| 3.4.5 测试视频序列分析 | 第44-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 卷积神经网络特征相关滤波鲁棒跟踪算法 | 第50-60页 |
| 4.1 引论 | 第50-51页 |
| 4.2 相关工作 | 第51页 |
| 4.2.1 CNN跟踪算法 | 第51页 |
| 4.3 卷积神经网络特征相关滤波鲁棒跟踪算法 | 第51页 |
| 4.3.1 预训练的通用CNN特征表示 | 第51页 |
| 4.3.2 重检测过程以及重检测准则 | 第51页 |
| 4.4 自适应模型更新 | 第51-52页 |
| 4.5 多尺度空间跟踪 | 第52-53页 |
| 4.6 实验结果 | 第53-59页 |
| 4.6.1 实验参数设置 | 第53页 |
| 4.6.2 数据集和评估方法 | 第53-54页 |
| 4.6.3 全局定量评估分析 | 第54页 |
| 4.6.4 属性定量分析 | 第54-57页 |
| 4.6.5 测试视频序列分析 | 第57-59页 |
| 4.7 本章小结 | 第59-60页 |
| 第五章 目标响应值自适应时空一致性鲁棒目标跟踪 | 第60-68页 |
| 5.1 引论 | 第60-61页 |
| 5.2 背景介绍 | 第61页 |
| 5.2.1 空间正则化 | 第61页 |
| 5.2.2 时空正则化相关滤波 | 第61页 |
| 5.2.3 自适应目标响应值变化 | 第61页 |
| 5.3 目标响应值自适应改变的时空一致性鲁棒目标跟踪算法 | 第61-63页 |
| 5.3.1 损失函数构成 | 第61-62页 |
| 5.3.2 子问题f的求解 | 第62-63页 |
| 5.3.3 子问题y的求解 | 第63页 |
| 5.4 实验结果 | 第63-67页 |
| 5.4.1 实验参数设置 | 第64页 |
| 5.4.2 数据集和评估方法 | 第64页 |
| 5.4.3 全局定量评估分析 | 第64-65页 |
| 5.4.4 属性定量分析 | 第65-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 时间相关自适应目标响应值上下文相关目标跟踪 | 第68-76页 |
| 6.1 引论 | 第68页 |
| 6.2 背景介绍 | 第68-69页 |
| 6.2.1 空间正则化 | 第68-69页 |
| 6.2.2 上下文和时间相关正则化 | 第69页 |
| 6.2.3 目标响应自适应改变 | 第69页 |
| 6.3 时间相关自适应目标响应值上下文相关目标跟踪算法 | 第69-71页 |
| 6.3.1 损失函数 | 第69-70页 |
| 6.3.2 子问题f求解 | 第70-71页 |
| 6.3.3 子问题γ的求解 | 第71页 |
| 6.4 实验结果 | 第71-74页 |
| 6.4.1 实验参数设置 | 第71页 |
| 6.4.2 全局定量分析 | 第71-72页 |
| 6.4.3 属性定量分析 | 第72-74页 |
| 6.5 本章小结 | 第74-76页 |
| 第七章 多尺度块稀疏表示鲁棒跟踪算法 | 第76-84页 |
| 7.1 基本概念 | 第76-78页 |
| 7.1.1 稀疏表示理论 | 第76-77页 |
| 7.1.2 粒子滤波框架 | 第77页 |
| 7.1.3 仿射参数模型 | 第77-78页 |
| 7.2 相关方法 | 第78-79页 |
| 7.2.1 局部块稀疏表示 | 第78页 |
| 7.2.2 鲁棒跟踪方法 | 第78-79页 |
| 7.3 多尺度稀疏表示鲁棒跟踪算法 | 第79-80页 |
| 7.3.1 多尺度稀疏表示直方图 | 第79页 |
| 7.3.2 遮挡问题 | 第79页 |
| 7.3.3 模板更新方法 | 第79-80页 |
| 7.4 实验结果 | 第80-83页 |
| 7.4.1 多尺度跟踪性能 | 第81-82页 |
| 7.4.2 遮挡问题处理分析 | 第82-83页 |
| 7.5 本章小结 | 第83-84页 |
| 第八章 总结和展望 | 第84-88页 |
| 8.1 工作内容总结 | 第84-85页 |
| 8.2 下一步研究工作展望 | 第85-88页 |
| 参考文献 | 第88-96页 |
| 附录1 视频跟踪标准数据库介绍 | 第96-101页 |
| 攻读博士学位期间科研项目及学术论文 | 第101页 |
