基于深度学习的视觉跟踪算法相关研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 视觉目标跟踪的研究现状 | 第10页 |
| 1.3 深度学习(DL)的应用 | 第10-11页 |
| 1.3.1 DL在语音识别中的应用 | 第10页 |
| 1.3.2 DL在视觉问题中的应用 | 第10-11页 |
| 1.3.3 DL在文本理解中的应用 | 第11页 |
| 1.4 本文工作和结构 | 第11-14页 |
| 1.4.1 本文主要工作和内容 | 第11-12页 |
| 1.4.2 本文组织结构 | 第12-14页 |
| 第二章 理论基础 | 第14-22页 |
| 2.1 视觉跟踪算法 | 第14-15页 |
| 2.2 信号的稀疏表示 | 第15-16页 |
| 2.2.1 稀疏表示 | 第15-16页 |
| 2.2.2 超完备字典 | 第16页 |
| 2.3 稀疏学习算法 | 第16-18页 |
| 2.3.1 贪婪追踪算法 | 第17-18页 |
| 2.3.2 松弛优化算法 | 第18页 |
| 2.4 基于稀疏学习跟踪算法的基本原理 | 第18-20页 |
| 2.4.1 粒子滤波 | 第18-19页 |
| 2.4.2 稀疏学习 | 第19-20页 |
| 2.4.3 模板更新 | 第20页 |
| 2.5 本章小结 | 第20-22页 |
| 第三章 基于RGBD和稀疏学习的跟踪算法研究 | 第22-31页 |
| 3.1 基于增广模板空间的稀疏学习 | 第22-23页 |
| 3.2 优化算法 | 第23-24页 |
| 3.3 基于深度信息的算法优化 | 第24-28页 |
| 3.3.1 鲁棒的特征描述 | 第24页 |
| 3.3.2 基于深度直方图分析的遮挡物检测 | 第24-28页 |
| 3.4 实验结果与分析 | 第28-30页 |
| 3.4.1 实验参数设置 | 第28页 |
| 3.4.2 评价准则 | 第28-29页 |
| 3.4.3 实验结果 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于深度学习的L1跟踪算法研究 | 第31-39页 |
| 4.1 基于参考区域特征变换的深度网络 | 第31-33页 |
| 4.2 改进的L1跟踪系统 | 第33-35页 |
| 4.2.1 粒子滤波 | 第33页 |
| 4.2.2 基于特征的稀疏表示 | 第33-35页 |
| 4.3 实验结果与分析 | 第35-38页 |
| 4.3.1 实验参数设置 | 第36页 |
| 4.3.2 评价标准 | 第36-37页 |
| 4.3.3 结果分析 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 基于多层PCA卷积滤波特征的跟踪算法研究 | 第39-47页 |
| 5.1 基于多层PCA卷积滤波的特征提取 | 第39-41页 |
| 5.1.1 首次卷积滤波 | 第39-40页 |
| 5.1.2 下一次卷积滤波 | 第40-41页 |
| 5.1.3 非线性校正 | 第41页 |
| 5.1.4 池化 | 第41页 |
| 5.2 基于深度学习特征的粒子滤波跟踪 | 第41-44页 |
| 5.2.1 跟踪算法 | 第41-43页 |
| 5.2.2 特征相似度判定 | 第43页 |
| 5.2.3 基于粒子滤波的目标运动估计 | 第43-44页 |
| 5.2.4 更新 | 第44页 |
| 5.3 实验结果与分析 | 第44-46页 |
| 5.3.1 实验参数设置 | 第45页 |
| 5.3.2 仿真结果与分析 | 第45-46页 |
| 5.4 本章小结 | 第46-47页 |
| 第六章 总结与展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第52-53页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第53-54页 |
| 致谢 | 第54页 |
