基于检测的多行人跟踪方法研究与实现
| 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 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 多行人检测与跟踪技术难点 | 第13-14页 |
| 1.4 本文主要工作与安排 | 第14-16页 |
| 第2章 行人检测与跟踪相关理论 | 第16-31页 |
| 2.1 行人特征描述 | 第16-19页 |
| 2.1.1 颜色特征 | 第16页 |
| 2.1.2 HOG特征 | 第16-18页 |
| 2.1.3 LBP特征 | 第18-19页 |
| 2.2 粒子滤波跟踪算法概述 | 第19-22页 |
| 2.2.1 粒子滤波理论基础 | 第19-20页 |
| 2.2.2 粒子滤波跟踪算法 | 第20-22页 |
| 2.3 深度学习与卷积神经网络 | 第22-30页 |
| 2.3.1 深度学习概述 | 第22-23页 |
| 2.3.2 卷积神经网络(CNN) | 第23-26页 |
| 2.3.3 CNN反向传播算法 | 第26-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于深度特征的行人检测方法研究 | 第31-45页 |
| 3.1 构建深度卷积神经网络 | 第31-36页 |
| 3.1.1 基于深度神经网络的目标检测模型概述 | 第31-32页 |
| 3.1.2 本文模型 | 第32-36页 |
| 3.2 网络训练 | 第36-38页 |
| 3.2.1 构建行人检测样本库 | 第36-37页 |
| 3.2.2 神经网络训练与测试 | 第37-38页 |
| 3.3 仿真实验及评估 | 第38-44页 |
| 3.3.1 评价指标 | 第39页 |
| 3.3.2 实验仿真 | 第39-43页 |
| 3.3.3 结果分析 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 粒子滤波跟踪算法的改进研究 | 第45-57页 |
| 4.1 风驱动优化算法 | 第45-46页 |
| 4.2 风驱动改进粒子滤波算法 | 第46-48页 |
| 4.2.1 算法改进思路 | 第46-47页 |
| 4.2.2 算法验证 | 第47-48页 |
| 4.3 融合多特征的改进粒子滤波跟踪方法 | 第48-51页 |
| 4.3.1 多特征融合方法 | 第48-50页 |
| 4.3.2 算法设计 | 第50-51页 |
| 4.4 实验结果与分析 | 第51-56页 |
| 4.4.1 评价指标 | 第51-52页 |
| 4.4.2 定量分析 | 第52-54页 |
| 4.4.3 定性分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 多行人检测与跟踪算法设计与实现 | 第57-65页 |
| 5.1 目标关联方法 | 第57-59页 |
| 5.2 多行人跟踪算法设计与实验 | 第59-61页 |
| 5.2.1 算法设计 | 第59-60页 |
| 5.2.2 评价指标 | 第60页 |
| 5.2.3 实验测试 | 第60-61页 |
| 5.3 多行人检测与跟踪系统实现 | 第61-64页 |
| 5.4 本章小结 | 第64-65页 |
| 结论与展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的学术论文 | 第72页 |
