复杂条件下运动目标跟踪方法的研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语索引表 | 第11-13页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究背景及意义 | 第13页 |
| 1.2 研究状况与进展 | 第13-18页 |
| 1.3 目标跟踪存在的问题 | 第18-19页 |
| 1.4 主要研究内容及结构安排 | 第19-22页 |
| 1.4.1 主要研究内容 | 第19-20页 |
| 1.4.2 结构安排 | 第20-22页 |
| 第二章 基础理论 | 第22-33页 |
| 2.1 TLD目标跟踪算法 | 第22-27页 |
| 2.1.1 跟踪器 | 第22-24页 |
| 2.1.2 检测器 | 第24-25页 |
| 2.1.3 P-N学习 | 第25-27页 |
| 2.1.4 整合器 | 第27页 |
| 2.2 多示例学习目标跟踪算法 | 第27-30页 |
| 2.2.1 多示例学习算法 | 第27-29页 |
| 2.2.2 多示例学习目标跟踪算法 | 第29-30页 |
| 2.3 深度去噪自编码器的构建 | 第30-31页 |
| 2.3.1 预训练SDAE | 第30-31页 |
| 2.3.2 微调SDAE | 第31页 |
| 2.4 跟踪算法性能评价指标 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于二值化规范梯度的TLD目标跟踪算法 | 第33-54页 |
| 3.1 引言 | 第33页 |
| 3.2 基于二值化规范梯度的TLD目标跟踪算法 | 第33-34页 |
| 3.3 增强FoT跟踪器 | 第34-37页 |
| 3.3.1 级联预测器 | 第35-37页 |
| 3.3.2 快速RANSAC算法 | 第37页 |
| 3.4 基于BING算法的检测器 | 第37-41页 |
| 3.5 加权P-N学习 | 第41页 |
| 3.6 实验结果 | 第41-53页 |
| 3.6.1 算法实现 | 第42页 |
| 3.6.2 与TLD对比试验 | 第42-46页 |
| 3.6.3 与目前主流跟踪算法对比试验 | 第46-53页 |
| 3.7 本章小结 | 第53-54页 |
| 第四章 基于深度学习的目标跟踪算法 | 第54-67页 |
| 4.1 引言 | 第54页 |
| 4.2 基于深度学习的目标跟踪算法 | 第54-55页 |
| 4.3 深度检测器 | 第55-57页 |
| 4.4 实验结果 | 第57-66页 |
| 4.4.1 算法实现 | 第57-59页 |
| 4.4.2 与BTLD算法对比实验 | 第59-61页 |
| 4.4.3 与目前主流跟踪算法对比实验 | 第61-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 基于增量深度学习的目标跟踪算法 | 第67-87页 |
| 5.1 引言 | 第67页 |
| 5.2 双重采样粒子滤波 | 第67-68页 |
| 5.3 SDAE的构建 | 第68-69页 |
| 5.4 线性SVM分类器 | 第69页 |
| 5.5 增量特征学习 | 第69-72页 |
| 5.5.1 添加特征 | 第70-71页 |
| 5.5.2 整合特征 | 第71-72页 |
| 5.6 实验结果 | 第72-85页 |
| 5.6.1 算法实现 | 第72-73页 |
| 5.6.2 与DL算法对比实验 | 第73-74页 |
| 5.6.3 与目前主流跟踪算法对比实验 | 第74-85页 |
| 5.7 本章小结 | 第85-87页 |
| 第六章 基于多示例深度学习的目标跟踪算法 | 第87-103页 |
| 6.1 引言 | 第87页 |
| 6.2 基于多示例深度学习的目标跟踪算法 | 第87-90页 |
| 6.2.1 粒子滤波 | 第87-88页 |
| 6.2.2 特征提取 | 第88-89页 |
| 6.2.3 更新弱特征向量 | 第89-90页 |
| 6.2.4 多示例深度学习跟踪算法流程 | 第90页 |
| 6.3 实验结果 | 第90-102页 |
| 6.3.1 算法实现 | 第91页 |
| 6.3.2 实验结果与分析 | 第91-102页 |
| 6.4 本章小结 | 第102-103页 |
| 第七章 总结与展望 | 第103-105页 |
| 7.1 总结 | 第103-104页 |
| 7.2 展望 | 第104-105页 |
| 致谢 | 第105-106页 |
| 参考文献 | 第106-115页 |
| 攻读博士期间发表论文及申请专利 | 第115页 |
