摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
1 绪论 | 第18-38页 |
1.1 研究背景及意义 | 第18-19页 |
1.2 视觉跟踪算法研究现状 | 第19-36页 |
1.2.1 视觉跟踪的特征提取及表示 | 第19-21页 |
1.2.2 视觉跟踪候选样本生成 | 第21-22页 |
1.2.3 视觉跟踪外观模型 | 第22-27页 |
1.2.3.1 基于生成模型的视觉跟踪算法 | 第22-23页 |
1.2.3.2 基于判别模型的视觉跟踪算法 | 第23-26页 |
1.2.3.3 基于结构化外观模型的视觉跟踪算法 | 第26-27页 |
1.2.4 视觉跟踪算法面临的主要挑战 | 第27-29页 |
1.2.5 视觉跟踪主流评测数据库 | 第29-31页 |
1.2.6 机器学习判别模型简介 | 第31-36页 |
1.3 本文内容及组织结构 | 第36-38页 |
2 基于隐变量时空结构化外观模型的视觉跟踪研究 | 第38-64页 |
2.1 引言 | 第38-39页 |
2.2 贝叶斯推理框架 | 第39-41页 |
2.3 问题构造 | 第41-51页 |
2.3.1 基于分块的局部外观模型 | 第41-42页 |
2.3.2 时域一致性模型 | 第42-45页 |
2.3.3 模型推理 | 第45页 |
2.3.4 目标尺度估计 | 第45-46页 |
2.3.5 遮挡检测模型 | 第46-48页 |
2.3.6 模型更新 | 第48-51页 |
2.4 实验结果 | 第51-58页 |
2.4.1 算法整体性能评测 | 第52-54页 |
2.4.2 基于属性的性能评测 | 第54页 |
2.4.3 创新点有效性验证 | 第54-58页 |
2.4.4 算法分块数量敏感性分析 | 第58页 |
2.4.5 定性结果评测 | 第58页 |
2.5 隐变量在目标再识别领域的扩展 | 第58-63页 |
2.5.1 隐度量学习算法 | 第59-60页 |
2.5.2 基于行人再识别的隐变量定义 | 第60-63页 |
2.5.3 实验结果 | 第63页 |
2.6 本章小结 | 第63-64页 |
3 基于结构化空间感知回归模型的视觉跟踪研究 | 第64-88页 |
3.1 引言 | 第64-65页 |
3.2 空间感知回归算法 | 第65-77页 |
3.2.1 结构化空间感知核岭回归算法 | 第65-67页 |
3.2.2 核岭回归模型等价网络结构 | 第67-72页 |
3.2.3 空间感知卷积神经网络 | 第72-77页 |
3.3 基于空间感知核岭回归与神经网络的视觉跟踪算法 | 第77-78页 |
3.3.1 目标位置估计 | 第77-78页 |
3.3.2 目标尺度估计 | 第78页 |
3.3.3 模型更新 | 第78页 |
3.4 实验结果 | 第78-87页 |
3.4.1 算法实现细节 | 第79-80页 |
3.4.2 算法整体性能评测 | 第80-82页 |
3.4.3 基于属性的算法性能评测 | 第82-84页 |
3.4.4 创新点有效性验证 | 第84-85页 |
3.4.5 定性结果评测 | 第85-87页 |
3.5 本章小结 | 第87-88页 |
4 基于结构化相关滤波算法的视觉跟踪研究 | 第88-108页 |
4.1 引言 | 第88-89页 |
4.2 基准算法介绍 | 第89-90页 |
4.3 基于共轭梯度算法的BACF新解法 | 第90-91页 |
4.4 联合判别及可靠性建模 | 第91-93页 |
4.5 联合判别及可靠性学习 | 第93-98页 |
4.6 实验结果 | 第98-106页 |
4.6.1 算法整体性能评测 | 第98-100页 |
4.6.2 基于属性的性能评测 | 第100-103页 |
4.6.3 创新点有效性验证 | 第103页 |
4.6.4 算法失败例子分析 | 第103-104页 |
4.6.5 定性结果评测 | 第104-106页 |
4.6.6 讨论 | 第106页 |
4.7 本章小结 | 第106-108页 |
5 结论与展望 | 第108-112页 |
5.1 结论 | 第108-109页 |
5.2 创新点 | 第109页 |
5.3 展望 | 第109-112页 |
参考文献 | 第112-118页 |
攻读博士学位期间发表学术论文情况 | 第118-120页 |
致谢 | 第120-122页 |
作者简介 | 第122页 |