基于递归神经网络和贝叶斯滤波的目标跟踪算法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于视觉的跟踪方法 | 第11-12页 |
| 1.2.2 基于检测的跟踪方法 | 第12-14页 |
| 1.3 本文主要工作 | 第14页 |
| 1.4 本文结构 | 第14-16页 |
| 第2章 基于滤波的传统跟踪算法 | 第16-27页 |
| 2.1 贝叶斯滤波 | 第16-18页 |
| 2.1.1 状态空间 | 第16-17页 |
| 2.1.2 贝叶斯推理 | 第17-18页 |
| 2.2 卡尔曼滤波 | 第18-20页 |
| 2.3 粒子滤波 | 第20-23页 |
| 2.3.1 粒子滤波基本原理 | 第20-22页 |
| 2.3.2 基于颜色特征的粒子滤波跟踪算法 | 第22-23页 |
| 2.4 实验结果 | 第23-26页 |
| 2.4.1 实验环境 | 第23-24页 |
| 2.4.2 实验结果及分析 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于递归神经网络的目标跟踪算法 | 第27-41页 |
| 3.1 RNN基本结构 | 第27-29页 |
| 3.2 基于RNN的跟踪框架 | 第29-32页 |
| 3.3 匈牙利算法 | 第32-34页 |
| 3.4 数据生成 | 第34-35页 |
| 3.5 实验结果 | 第35-40页 |
| 3.5.1 参数设置 | 第35页 |
| 3.5.2 单目标跟踪结果 | 第35-38页 |
| 3.5.3 多目标跟踪结果 | 第38-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于多特征的递归神经网络多目标跟踪算法 | 第41-54页 |
| 4.1 基于多特征的RNN在线跟踪框架 | 第41-42页 |
| 4.2 外观模型 | 第42-45页 |
| 4.3 多目标跟踪模型 | 第45-49页 |
| 4.4 实验结果 | 第49-53页 |
| 4.4.1 参数设置 | 第49页 |
| 4.4.2 算法评价指标 | 第49-50页 |
| 4.4.3 实验结果 | 第50-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 总结和展望 | 第54-56页 |
| 5.1 研究工作的总结 | 第54-55页 |
| 5.2 未来工作的展望 | 第55-56页 |
| 参考文献 | 第56-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第64页 |
