| 摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 行人跟踪研究背景及意义 | 第8-10页 |
| 1.2 行人跟踪研究发展现状 | 第10-13页 |
| 1.3 行人跟踪存在的难点 | 第13页 |
| 1.4 本文主要工作 | 第13-15页 |
| 2 基于TLD框架的行人跟踪算法改进 | 第15-35页 |
| 2.1 TLD算法概述 | 第15-20页 |
| 2.1.1 跟踪模块 | 第16-17页 |
| 2.1.2 检测模块 | 第17-18页 |
| 2.1.3 学习模块 | 第18-20页 |
| 2.2 基于TLD的改进算法（IMPROVED TLD, ITLD） | 第20-35页 |
| 2.2.1 行人检测常用的行人描述特征 | 第21-24页 |
| 2.2.2 在线AdaBoost算法 | 第24-28页 |
| 2.2.3 ITLD算法性能实验与分析 | 第28-34页 |
| 2.2.4 实验小结 | 第34-35页 |
| 3 深度学习简介 | 第35-47页 |
| 3.1 深度学习概述 | 第35-36页 |
| 3.2 神经网络模型和方法 | 第36-40页 |
| 3.3 深度学习的基本思想 | 第40-41页 |
| 3.3.1 深度学习训练过程 | 第41页 |
| 3.4 常见深度网络结构介绍 | 第41-47页 |
| 3.4.1 自动编码器（AutoEncoder） | 第41-42页 |
| 3.4.2 限制玻尔兹曼机（Restricted Boltzmann Machine,RBM） | 第42-44页 |
| 3.4.3 卷积神经网络（Convolutional Neural Network, CNN） | 第44-47页 |
| 4 融合卷积神经网络模型的粒子滤波行人跟踪算法（CNN_PF） | 第47-67页 |
| 4.1 粒子滤波理论 | 第47-50页 |
| 4.1.1 贝叶斯滤波 | 第47-49页 |
| 4.1.2 粒子滤波 | 第49-50页 |
| 4.2 基于CNN的在线跟踪模型 | 第50-55页 |
| 4.2.1 卷积神经网络模型 | 第50-52页 |
| 4.2.2 卷积神经网络预训练 | 第52页 |
| 4.2.3 融合卷积神经网络模型的粒子滤波 | 第52-55页 |
| 4.3 实验及小结 | 第55-67页 |
| 4.3.1 实验一 | 第55-56页 |
| 4.3.2 实验二 | 第56-58页 |
| 4.3.3 实验三 | 第58-65页 |
| 4.3.4 实验四 | 第65-66页 |
| 4.3.5 实验小结 | 第66-67页 |
| 5 总结与展望 | 第67-69页 |
| 5.1 研究总结 | 第67页 |
| 5.2 未来展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 附录 | 第73页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第73页 |
