基于高阶表观特征融合的多目标跟踪算法的设计与实现
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 提取视觉特征 | 第11-12页 |
| 1.2.2 相似度估计 | 第12-13页 |
| 1.2.3 轨迹关联 | 第13页 |
| 1.3 多目标跟踪的主要难点 | 第13-14页 |
| 1.4 研究内容及结构安排 | 第14-16页 |
| 第二章 多目标跟踪的基础理论与研究 | 第16-27页 |
| 2.1 多目标跟踪基本框架 | 第16-18页 |
| 2.2 目标检测技术 | 第18-22页 |
| 2.2.1 DPM目标检测器 | 第18-19页 |
| 2.2.2 Two-stage目标检测器 | 第19-21页 |
| 2.2.3 One-stage目标检测器 | 第21-22页 |
| 2.3 传统的数据关联方法 | 第22-26页 |
| 2.3.1 最近邻算法 | 第24页 |
| 2.3.2 概率数据关联和联合概率数据关联算法 | 第24-25页 |
| 2.3.3 多假设跟踪 | 第25页 |
| 2.3.4 几种数据关联方法比较 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于卷积神经网络的多目标跟踪 | 第27-38页 |
| 3.1 卷积神经网络 | 第27-31页 |
| 3.1.1 卷积神经网络的层级结构 | 第27-30页 |
| 3.1.2 常见的卷积神经网络结构 | 第30-31页 |
| 3.2 用卷积神经网络提取视觉特征 | 第31-36页 |
| 3.2.1 SORT与Deep SORT | 第31-33页 |
| 3.2.2 孪生网络 | 第33-36页 |
| 3.3 本章小结 | 第36-38页 |
| 第四章 基于高阶表观特征融合的多目标跟踪 | 第38-51页 |
| 4.1 MTT-HAFF网络框架 | 第38-39页 |
| 4.2 数据预处理 | 第39-41页 |
| 4.3 目标表观特征提取 | 第41-44页 |
| 4.3.1 扩展网络 | 第41-42页 |
| 4.3.2 SRN网络 | 第42-44页 |
| 4.4 目标表观相似度估计 | 第44-49页 |
| 4.4.1 引言 | 第44-45页 |
| 4.4.2 OCN卷积神经网络 | 第45-46页 |
| 4.4.3 网络损失函数 | 第46-48页 |
| 4.4.4 相似度估计 | 第48-49页 |
| 4.5 分层数据关联 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第五章 实验结果与分析 | 第51-62页 |
| 5.1 实验平台 | 第51-53页 |
| 5.1.1 实验环境 | 第51页 |
| 5.1.2 实验参数设置 | 第51页 |
| 5.1.3 数据集简介 | 第51-53页 |
| 5.2 评测性能指标 | 第53-55页 |
| 5.3 算法性能评估 | 第55-60页 |
| 5.3.1 消融实验 | 第55-56页 |
| 5.3.2 MOT17数据集上的测试结果 | 第56-58页 |
| 5.3.3 MOT15数据集上的测试结果 | 第58-60页 |
| 5.4 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 研究工作总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第69-70页 |
| 附录2 攻读硕士学位期间申请的专利 | 第70-71页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第71-72页 |
| 致谢 | 第72页 |
