基于计算机视觉的无人机目标跟踪技术
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 项目背景 | 第9页 |
| 1.2 项目研究意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.4 本文的主要研究内容和章节安排 | 第13-14页 |
| 第2章 目标跟踪关键技术的研究 | 第14-32页 |
| 2.1 引言 | 第14页 |
| 2.2 基于计算机视觉目标跟踪的流程 | 第14-15页 |
| 2.3 特征提取方法 | 第15-19页 |
| 2.3.1 灰度直方图特征 | 第15-16页 |
| 2.3.2 局部二值模式 | 第16-17页 |
| 2.3.3 HOG特征 | 第17-19页 |
| 2.4 卷积神经网络 | 第19-24页 |
| 2.4.1 卷积层 | 第20-21页 |
| 2.4.2 采样层 | 第21-22页 |
| 2.4.3 全连接层 | 第22-23页 |
| 2.4.4 网络结构 | 第23-24页 |
| 2.5 相关滤波跟踪 | 第24-29页 |
| 2.5.1 岭回归 | 第24-25页 |
| 2.5.2 循环移位矩阵 | 第25-26页 |
| 2.5.3 线性回归提速 | 第26-27页 |
| 2.5.4 核回归训练 | 第27-28页 |
| 2.5.5 目标快速跟踪 | 第28-29页 |
| 2.6 尺度自适应 | 第29-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第3章 无人机目标跟踪系统设计与实现 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 系统整体架构设计 | 第32-33页 |
| 3.3 基于卷积神经网络的目标跟踪模型 | 第33-37页 |
| 3.3.1 特征提取 | 第33-35页 |
| 3.3.2 误差学习机制 | 第35-36页 |
| 3.3.3 整体网络模型 | 第36-37页 |
| 3.4 基于相关滤波的实时目标跟踪模型 | 第37-42页 |
| 3.4.1 多特征学习 | 第38-39页 |
| 3.4.2 背景学习 | 第39-41页 |
| 3.4.3 整体网络模型 | 第41-42页 |
| 3.5 模型更新 | 第42-43页 |
| 3.6 长期跟踪 | 第43-45页 |
| 3.7 本章小结 | 第45-46页 |
| 第4章 无人机目标跟踪实验结果及性能分析 | 第46-53页 |
| 4.1 引言 | 第46页 |
| 4.2 数据集的选择 | 第46-47页 |
| 4.3 评价指标 | 第47页 |
| 4.4 实验结果及分析 | 第47-52页 |
| 4.4.1 属性性能分析 | 第48-50页 |
| 4.4.2 整体性能分析 | 第50-51页 |
| 4.4.3 运行结果 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第58-59页 |
| 致谢 | 第59页 |
