基于CUDA的TLD视觉跟踪算法研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-20页 |
| ·研究背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-18页 |
| ·视频跟踪的研究现状 | 第12-15页 |
| ·TLD算法的研究现状 | 第15页 |
| ·GPU通用计算研究现状 | 第15-18页 |
| ·本文主要工作及章节内容 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 2 相关基础知识 | 第20-32页 |
| ·TLD算法原理 | 第20-25页 |
| ·检测模块 | 第21-23页 |
| ·跟踪模块 | 第23页 |
| ·综合模块 | 第23-24页 |
| ·学习模块 | 第24-25页 |
| ·CUDA体系架构 | 第25-31页 |
| ·CUDA的编程模型 | 第26-27页 |
| ·CUDA的线程组织 | 第27-29页 |
| ·CUDA的存储结构 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 3 TLD算法的研究和改进 | 第32-43页 |
| ·学习模块目标模型更新的研究与改进 | 第32-35页 |
| ·目标模型更新的试验分析 | 第32-33页 |
| ·改进的目标模型更新方法 | 第33-35页 |
| ·检测模块检测器的研究与改进 | 第35-39页 |
| ·检测器的试验分析 | 第35-36页 |
| ·基于孤立点分析的检测算法 | 第36-39页 |
| ·试验结果与分析 | 第39-42页 |
| ·试验环境 | 第39-40页 |
| ·评估模型更新的改进 | 第40-41页 |
| ·评估检测器的改进 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 4 TLD算法的并行优化 | 第43-62页 |
| ·TLD各模块耗时的试验与分析 | 第43-44页 |
| ·基于CUDA的TLD并行化 | 第44-54页 |
| ·方差过滤器的并行化 | 第44-47页 |
| ·集成分类器的并行化 | 第47-51页 |
| ·最近邻分类器的并行化 | 第51-54页 |
| ·试验结果与分析 | 第54-60页 |
| ·试验环境 | 第54-55页 |
| ·验证CUDA-TLD方差过滤器加速效果 | 第55-56页 |
| ·验证CUDA-TLD集成分类器加速效果 | 第56-57页 |
| ·验证CUDA-TLD最近邻分类器加速效果 | 第57-59页 |
| ·CUDA-TLD与TLD整体性能的对比 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 5 总结与展望 | 第62-64页 |
| ·总结 | 第62-63页 |
| ·展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 作者简历 | 第67-69页 |
| 学位论文数据集 | 第69页 |
