首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于ARM处理器的TLD目标跟踪算法实现和优化

摘要第5-6页
ABSTRAC第6-7页
符号对照表第11-12页
缩略语对照表第12-17页
第一章 绪论第17-25页
    1.1 研究背景和意义第17-19页
    1.2 国内外研究现状第19-23页
        1.2.1 视觉目标跟踪技术研究现状第19-22页
        1.2.2 TLD目标跟踪算法研究现状第22-23页
    1.3 论文主要研究内容和章节安排第23-25页
        1.3.1 论文研究内容第23页
        1.3.2 论文章节安排第23-25页
第二章 TLD目标跟踪算法的实现和分析第25-41页
    2.1 TLD算法第25-34页
        2.1.1 TLD算法概述第25-26页
        2.1.2 跟踪模块第26-28页
        2.1.3 检测模块第28-32页
        2.1.4 学习模块第32-34页
    2.2 TLD算法在嵌入式平台上的实现第34-39页
        2.2.1 基于ARM架构的嵌入式处理器第34-35页
        2.2.2 基于ARM处理器的目标跟踪系统第35-37页
        2.2.3 TLD算法在RK3399平台上的实现第37-39页
    2.3 TLD算法的实时性分析第39-40页
    2.4 本章小结第40-41页
第三章 基于ARM架构的并行化技术第41-59页
    3.1 嵌入式多核处理器第41-44页
    3.2 并行编程原理第44-47页
        3.2.1 基于多核处理器的并行化第44-46页
        3.2.2 并行化评价方法第46-47页
    3.3 基于OPENMP的多核并行技术第47-48页
    3.4 NEON多媒体加速引擎第48-53页
        3.4.1 NEON技术概述第48-49页
        3.4.2 NEON寄存器和指令集第49-52页
        3.4.3 使用NEON进行加速优化的方法第52-53页
    3.5 基于NEON的NCC算法加速优化第53-58页
        3.5.1 NCC模板匹配算法第53-54页
        3.5.2 基于NEON的NCC加速优化第54-58页
    3.6 本章小结第58-59页
第四章 TLD目标跟踪算法在ARM平台上的加速优化第59-71页
    4.1 检测模块的加速优化第59-64页
        4.1.1 检测器待选框的控制第59-61页
        4.1.2 随机蕨分类器的并行加速第61-63页
        4.1.3 最近邻分类器中模板匹配的加速第63-64页
    4.2 基于模板更新机制的在线样本库更新优化第64-65页
    4.3 基于FAST角点+GMS筛选机制的光流跟踪器第65-69页
        4.3.1 FAST角点第65-66页
        4.3.2 GMS特征点筛选机制第66-68页
        4.3.3 基于FAST角点+GMS机制的光流跟踪器第68-69页
    4.4 本章小结第69-71页
第五章 优化结果和性能分析第71-81页
    5.1 NCC加速效果分析第71页
    5.2 检测器优化结果分析第71-72页
        5.2.1 检测器扫描框优化结果分析第71-72页
        5.2.2 随机蕨分类器并行化结果第72页
    5.3 算法长时间跟踪的实时性分析第72-73页
    5.4 检测器整体优化结果分析第73-74页
    5.5 跟踪器性能分析第74-77页
        5.5.1 FAST角点的提取第74页
        5.5.2 基于GMS机制筛选跟踪点第74-76页
        5.5.3 基于FAST角点+GMS机制的光流法跟踪器性能分析第76-77页
    5.6 系统整体性能分析第77-79页
    5.7 本章小结第79-81页
第六章 总结与展望第81-83页
    6.1 工作总结第81页
    6.2 未来展望第81-83页
参考文献第83-89页
致谢第89-91页
作者简介第91-92页
    1 基本情况第91页
    2 教育背景第91页
    3 攻读硕士学位期间的研究成果第91-92页
        3.1 申请(授权)专利第91页
        3.2 参与科研项目及获奖第91-92页

论文共92页,点击 下载论文
上一篇:特征池化:一种用于CNN的特征选择方法
下一篇:基于模糊规则的分类算法研究