基于深度学习的车辆跟踪算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 经典的车辆跟踪研究现状 | 第10-11页 |
| 1.2.2 基于深度学习的车辆跟踪 | 第11-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第2章 相关理论及技术研究 | 第15-27页 |
| 2.1 跟踪算法原理 | 第15-19页 |
| 2.1.1 运动模型 | 第16页 |
| 2.1.2 特征提取 | 第16-18页 |
| 2.1.3 外观模型 | 第18-19页 |
| 2.1.4 模型更新 | 第19页 |
| 2.2 核相关跟踪算法 | 第19-23页 |
| 2.2.1 线性岭回归 | 第20页 |
| 2.2.2 循环矩阵 | 第20-22页 |
| 2.2.3 非线性问题求解 | 第22-23页 |
| 2.2.4 快速目标检测 | 第23页 |
| 2.3 车辆跟踪难点 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 基于卷积神经网络的特征提取 | 第27-39页 |
| 3.1 卷积神经网络基本原理 | 第27-31页 |
| 3.1.1 卷积神经网络结构 | 第27-30页 |
| 3.1.2 卷积神经网络重要特性 | 第30-31页 |
| 3.2 VGG-Net实现特征提取 | 第31-34页 |
| 3.2.1 VGG-Net网络结构 | 第32-33页 |
| 3.2.2 双线性插值 | 第33页 |
| 3.2.3 实验结果与分析 | 第33-34页 |
| 3.3 自适应降维 | 第34-38页 |
| 3.3.1 主成分分析法及原理 | 第35-37页 |
| 3.3.2 实验结果与分析 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于深度学习的车辆跟踪算法 | 第39-49页 |
| 4.1 多层卷积特征结合相关滤波 | 第39-42页 |
| 4.1.1 卷积特征结合相关滤波 | 第39-40页 |
| 4.1.2 结合卷积特征的相关滤波算法 | 第40-41页 |
| 4.1.3 由粗到细的定位 | 第41-42页 |
| 4.2 尺度变化 | 第42-44页 |
| 4.2.1 尺度变化问题分析 | 第42-43页 |
| 4.2.2 尺度变化原理 | 第43页 |
| 4.2.3 尺度处理算法 | 第43-44页 |
| 4.3 模型更新 | 第44-45页 |
| 4.3.1 模型更新分析 | 第44-45页 |
| 4.3.2 模型更新原理 | 第45页 |
| 4.4 实验结果与分析 | 第45-46页 |
| 4.5 本章小结 | 第46-49页 |
| 第5章 基于深度学习的车辆跟踪系统的设计与测试 | 第49-63页 |
| 5.1 需求分析 | 第49页 |
| 5.2 详细设计 | 第49-56页 |
| 5.2.1 系统功能模块划分 | 第50-51页 |
| 5.2.2 系统整体结构设计 | 第51-53页 |
| 5.2.3 特征提取算法 | 第53-55页 |
| 5.2.4 位置预测算法 | 第55-56页 |
| 5.3 系统测试与分析 | 第56-61页 |
| 5.3.1 测试环境 | 第56页 |
| 5.3.2 系统界面 | 第56-58页 |
| 5.3.3 测试数据集 | 第58页 |
| 5.3.4 系统测试 | 第58-61页 |
| 5.4 本章小结 | 第61-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的学术论文 | 第69-71页 |
| 致谢 | 第71页 |
