基于相关滤波器的分块并行目标跟踪算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 基于相关滤波器的目标跟踪算法 | 第13-14页 |
| 1.2.2 GPU在图像领域研究现状 | 第14-15页 |
| 1.3 本文主要研究内容与创新点 | 第15-17页 |
| 1.4 论文目录安排 | 第17-18页 |
| 第二章 贝叶斯跟踪框架与并行处理体系 | 第18-34页 |
| 2.1 引言 | 第18页 |
| 2.2 贝叶斯跟踪框架 | 第18-28页 |
| 2.2.1 目标特征模型 | 第20-23页 |
| 2.2.2 目标运动模型 | 第23-24页 |
| 2.2.3 目标表观模型 | 第24-28页 |
| 2.3 并行处理体系 | 第28-33页 |
| 2.3.1 GPU硬件体系 | 第29-30页 |
| 2.3.2 CUDA软件体系 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于相关滤波器的分块目标跟踪算法 | 第34-51页 |
| 3.1 引言 | 第34-35页 |
| 3.2 基于分块的目标跟踪策略 | 第35-38页 |
| 3.2.1 目标分块策略 | 第35-36页 |
| 3.2.2 分块筛选策略 | 第36-37页 |
| 3.2.3 多特征融合策略 | 第37-38页 |
| 3.3 多分块贝叶斯跟踪框架设计 | 第38-50页 |
| 3.3.1 基于相关滤波器的表观估计 | 第40-43页 |
| 3.3.2 目标分块自身可靠性度量 | 第43-46页 |
| 3.3.3 目标分块对整体贡献度量 | 第46-47页 |
| 3.3.4 自适应更新策略 | 第47-48页 |
| 3.3.5 尺度估计策略 | 第48-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 基于GPU的目标跟踪算法并行优化 | 第51-62页 |
| 4.1 引言 | 第51页 |
| 4.2 相关滤波跟踪耗时分析 | 第51-53页 |
| 4.3 特征提取并行化 | 第53-57页 |
| 4.3.1 HOG特征提取的并行化 | 第54-57页 |
| 4.3.2 CN特征提取的并行化 | 第57页 |
| 4.4 核函数矩阵计算并行化 | 第57-59页 |
| 4.4.1 高斯核函数矩阵相关计算的并行化 | 第58-59页 |
| 4.4.2 自相关与互相关核函数计算的并行化 | 第59页 |
| 4.5 跟踪任务级别的并行 | 第59-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 算法的质量评估及性能分析 | 第62-78页 |
| 5.1 引言 | 第62页 |
| 5.2 实验设置 | 第62-64页 |
| 5.2.1 数据集介绍 | 第62-64页 |
| 5.2.2 评价指标介绍 | 第64页 |
| 5.3 分块跟踪算法的质量评估 | 第64-75页 |
| 5.3.1 定量分析 | 第65-67页 |
| 5.3.2 基于属性分析 | 第67-72页 |
| 5.3.3 定性分析 | 第72-75页 |
| 5.4 并行跟踪算法的性能分析 | 第75-77页 |
| 5.4.1 特征提取执行时间对比 | 第75-76页 |
| 5.4.2 核函数矩阵相关计算对比 | 第76页 |
| 5.4.3 分块并行跟踪算法整体对比 | 第76-77页 |
| 5.5 本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78-79页 |
| 6.2 展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 攻读硕士学位期间取得的成果 | 第87页 |
