| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 多目标跟踪技术难点与创新 | 第12-13页 |
| 1.4 本文研究内容及安排 | 第13-15页 |
| 第2章 相关基础理论 | 第15-31页 |
| 2.1 相关滤波算法原理 | 第15-22页 |
| 2.1.1 相关滤波原理 | 第15-16页 |
| 2.1.2 核相关滤波算法(KCF) | 第16-20页 |
| 2.1.3 核矩阵的快速计算 | 第20-21页 |
| 2.1.4 小结 | 第21-22页 |
| 2.2 深度学习相关理论 | 第22-31页 |
| 2.2.1 神经网络 | 第22-28页 |
| 2.2.2 卷积神经网络 | 第28-30页 |
| 2.2.3 小结 | 第30-31页 |
| 第3章 基于核相关滤波算法(KCF)的多目标跟踪 | 第31-39页 |
| 3.1 引言 | 第31页 |
| 3.2 多目标跟踪器的设计思路 | 第31-33页 |
| 3.3 改进的核相关滤波算法 | 第33-35页 |
| 3.3.1 基于多通道的核相关滤波算法 | 第33-34页 |
| 3.3.2 基于目标多尺度处理的多目标跟踪 | 第34-35页 |
| 3.4 实验结果与分析 | 第35-38页 |
| 3.4.1 数据集与实验环境介绍 | 第35页 |
| 3.4.2 实验方案 | 第35-36页 |
| 3.4.3 实验结果与分析 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于YOLO的目标检测 | 第39-46页 |
| 4.1 引言 | 第39页 |
| 4.2 常见的深度学习目标检测方法分析 | 第39-41页 |
| 4.2.1 R-CNN神经网络 | 第39-40页 |
| 4.2.2 Fast-RCNN神经网络 | 第40-41页 |
| 4.3 YOLO方法 | 第41-43页 |
| 4.3.1 YOLO的网络结构 | 第41-42页 |
| 4.3.2 模型训练及预测方法 | 第42-43页 |
| 4.3.3 模型评判标准 | 第43页 |
| 4.4 基于YOLO的目标检测模型训练与测试 | 第43-45页 |
| 4.4.1 数据集选取 | 第43-44页 |
| 4.4.2 模型训练 | 第44页 |
| 4.4.3 模型训练结果评测 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 基于核相关滤波算法和YOLO的多目标跟踪 | 第46-56页 |
| 5.1 引言 | 第46页 |
| 5.2 基于核相关滤波算法及YOLO目标检测的多目标跟踪 | 第46-50页 |
| 5.2.1 跟踪器设计 | 第46-48页 |
| 5.2.2 目标选择策略 | 第48-50页 |
| 5.3 多目标跟踪实验 | 第50-55页 |
| 5.3.1 数据集与实验环境介绍 | 第50页 |
| 5.3.2 实验方案 | 第50-51页 |
| 5.3.3 多目标跟踪实验 | 第51-54页 |
| 5.3.4 实验结果分析 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-57页 |
| 6.1 工作总结 | 第56页 |
| 6.2 未来展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 作者简介及在学期间所取得的科研成果 | 第61-62页 |
| 致谢 | 第62页 |