基于相关滤波的视频跟踪方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 选题背景与研究意义 | 第14-15页 |
| 1.2 国内外研究动态 | 第15-17页 |
| 1.3 视频跟踪面临的主要问题和挑战 | 第17-20页 |
| 1.4 本文的主要工作和创新点 | 第20-21页 |
| 1.5 本文的组织结构 | 第21-24页 |
| 第二章 跟踪器框架概述 | 第24-40页 |
| 2.1 采样模型 | 第24-26页 |
| 2.1.1 滑动窗口 | 第24-25页 |
| 2.1.2 粒子滤波 | 第25-26页 |
| 2.2 特征描述子 | 第26-31页 |
| 2.2.1 梯度方向直方图 | 第26-27页 |
| 2.2.2 颜色名称 | 第27-28页 |
| 2.2.3 深度学习特征 | 第28-29页 |
| 2.2.4 其他特征描述子 | 第29-31页 |
| 2.3 表观模型 | 第31-39页 |
| 2.3.1 结构化支持向量机 | 第31-33页 |
| 2.3.2 相关滤波模型 | 第33-38页 |
| 2.3.3 深度学习模型 | 第38-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第三章 基于前景表示的自适应相关滤波跟踪器 | 第40-52页 |
| 3.1 导言 | 第40-41页 |
| 3.2 STAPLE跟踪器介绍 | 第41-42页 |
| 3.3 基于前景表示的自适应相关滤波跟踪器 | 第42-45页 |
| 3.3.1 前景加权表观特征 | 第42-43页 |
| 3.3.2 自适应学习率 | 第43-45页 |
| 3.4 实验结果及分析 | 第45-51页 |
| 3.4.1 数据集及评价标准 | 第46-47页 |
| 3.4.2 有效性分析 | 第47-49页 |
| 3.4.3 与优秀跟踪器的比较 | 第49-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 基于强负样本挖掘的相关滤波跟踪器 | 第52-66页 |
| 4.1 导言 | 第52-53页 |
| 4.2 强负样本挖掘介绍 | 第53-54页 |
| 4.3 基于强负样本挖掘的相关滤波跟踪器 | 第54-58页 |
| 4.3.1 强负样本挖掘策略 | 第54-56页 |
| 4.3.2 对强负样本赋予自适应权重训练相关滤波 | 第56-57页 |
| 4.3.3 实现细节 | 第57-58页 |
| 4.4 实验结果及分析 | 第58-64页 |
| 4.4.1 有效性分析 | 第58-59页 |
| 4.4.2 与优秀跟踪器的比较 | 第59-64页 |
| 4.5 本章小节 | 第64-66页 |
| 第五章 总结与未来工作 | 第66-68页 |
| 5.1 总结 | 第66-67页 |
| 5.2 未来工作 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 硕士期间参与的科研项目及发表论文 | 第74-76页 |
| 致谢 | 第76页 |
