基于机器学习的可视目标跟踪研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 可视目标跟踪方法研究现状 | 第8-10页 |
| 1.3 传统目标跟踪方法存在的问题 | 第10-11页 |
| 1.4 主要研究内容及结构安排 | 第11-13页 |
| 第二章 基础理论 | 第13-22页 |
| 2.1 基于机器学习的目标跟踪框架 | 第13页 |
| 2.2 机器学习数学模型 | 第13-14页 |
| 2.3 模型求解——凸优化 | 第14-15页 |
| 2.4 图模型 | 第15-17页 |
| 2.5 支持向量机 | 第17-20页 |
| 2.6 深度网络与深度学习 | 第20-21页 |
| 2.7 小结 | 第21-22页 |
| 第三章 基于三角剖分与改进SVM分类器的目标跟踪 | 第22-38页 |
| 3.1 引言 | 第22页 |
| 3.2 目标学习模型的研究与改进 | 第22-23页 |
| 3.3 图像预处理 | 第23-27页 |
| 3.3.1 LSD检测直线 | 第23-25页 |
| 3.3.2 构建三角剖分分割目标 | 第25-27页 |
| 3.4 目标特征提取 | 第27-29页 |
| 3.5 训练分类器 | 第29-30页 |
| 3.6 应用于目标跟踪的分类算法改进 | 第30-32页 |
| 3.7 跟踪结果分析 | 第32-35页 |
| 3.8 跟踪算法评价指标 | 第35-37页 |
| 3.9 本章小结 | 第37-38页 |
| 第四章 基于深度学习的TLD目标跟踪算法改进 | 第38-61页 |
| 4.1 引言 | 第38-39页 |
| 4.2 原始TLD算法 | 第39-44页 |
| 4.2.1 跟踪器 | 第39-41页 |
| 4.2.2 检测器 | 第41页 |
| 4.2.3 P-N学习 | 第41-43页 |
| 4.2.4 整合器 | 第43-44页 |
| 4.3 基于深度学习的目标跟踪算法改进 | 第44-49页 |
| 4.3.1 改进跟踪器 | 第46-47页 |
| 4.3.2 加权P-N学习 | 第47-48页 |
| 4.3.3 深度检测器 | 第48-49页 |
| 4.4 多层深度自编码器 | 第49-57页 |
| 4.4.1 深度自编码器网络结构 | 第51-52页 |
| 4.4.2 深度自编码器构建过程 | 第52-53页 |
| 4.4.3 自编码器网络预训练 | 第53-54页 |
| 4.4.4 自编码过程 | 第54-55页 |
| 4.4.5 逐层学习微调 | 第55-57页 |
| 4.5 实验结果 | 第57-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-62页 |
| 5.1 论文总结 | 第61页 |
| 5.2 工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 攻读学位期间取得的研究成果 | 第65页 |
