| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 目标跟踪算法概述 | 第12-13页 |
| 1.2.2 跟踪-学习-检测应用现状 | 第13-14页 |
| 1.2.3 并行图像处理 | 第14-15页 |
| 1.3 论文研究内容 | 第15页 |
| 1.4 论文主要章节及内容 | 第15-17页 |
| 第二章 并行计算基础 | 第17-32页 |
| 2.1 CUDA编程简介 | 第17-22页 |
| 2.1.1 GPU的优势 | 第18-19页 |
| 2.1.2 GPU硬件架构 | 第19-20页 |
| 2.1.3 GPU编程 | 第20-22页 |
| 2.2 CPU并行处理技术 | 第22-25页 |
| 2.2.1 多线程处理技术 | 第24-25页 |
| 2.2.2 多核硬件架构 | 第25页 |
| 2.3 计算机视觉算法的并行处理 | 第25-31页 |
| 2.3.1 并行最近邻算法 | 第25-28页 |
| 2.3.2 并行随机森林 | 第28-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 跟踪-学习-检测算法的研究与改进 | 第32-44页 |
| 3.1 跟踪-学习-检测算法简介 | 第32-36页 |
| 3.1.1 目标跟踪模块 | 第32-34页 |
| 3.1.2 目标检测模块 | 第34-35页 |
| 3.1.3 在线学习机制 | 第35-36页 |
| 3.2 跟踪-学习-检测算法的时耗分析 | 第36-38页 |
| 3.2.1 跟踪-学习-检测算法各模块复杂度分析 | 第36-37页 |
| 3.2.2 检测模块耗时分析 | 第37-38页 |
| 3.2.3 跟踪-学习-检测三大核心模块运行流程分析 | 第38页 |
| 3.3 跟踪-学习-检测模块的流程优化 | 第38-40页 |
| 3.3.1 学习模块滞后 | 第38-39页 |
| 3.3.2 学习模块滞后的准确率分析 | 第39-40页 |
| 3.3.3 实验分析 | 第40页 |
| 3.4 学习模块的优化 | 第40-42页 |
| 3.4.1 学习模块正负样本集合更新规则的优化 | 第40-42页 |
| 3.4.2 实验分析 | 第42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 多层并行跟踪-学习-检测算法 | 第44-58页 |
| 4.1 多层并行的处理框架 | 第44-53页 |
| 4.1.1 多层并行跟踪-学习-检测算法整体框架 | 第44页 |
| 4.1.2 多目标跟踪的CPU多线程并行实现 | 第44-46页 |
| 4.1.3 跟踪-学习-检测多模块并行实现 | 第46-47页 |
| 4.1.4 检测模块的GPU并行 | 第47-53页 |
| 4.2 实验分析 | 第53-57页 |
| 4.2.1 实验环境 | 第53-54页 |
| 4.2.2 实验结果 | 第54-57页 |
| 4.3 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-61页 |
| 5.1 本文总结 | 第58-59页 |
| 5.2 未来应用展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士期间取得的成果 | 第68-69页 |