| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 目标跟踪 | 第9-10页 |
| 1.2.2 相关滤波器 | 第10-11页 |
| 1.2.3 卷积神经网络 | 第11-12页 |
| 1.3 研究内容与方法 | 第12-13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 2 目标跟踪方法 | 第14-30页 |
| 2.1 引言 | 第14页 |
| 2.2 传统的目标跟踪方法 | 第14-17页 |
| 2.2.1 核化的结构化输出跟踪算法 | 第14-15页 |
| 2.2.2 跟踪-学习-检测算法 | 第15-16页 |
| 2.2.3 相关滤波器跟踪算法 | 第16-17页 |
| 2.3 基于深度学习的目标跟踪方法 | 第17-22页 |
| 2.3.1 基于分层卷积特征的跟踪算法 | 第18-19页 |
| 2.3.2 基于多域网络的跟踪算法 | 第19-20页 |
| 2.3.3 判别相关滤波器网络 | 第20-22页 |
| 2.4 实验结果与分析 | 第22-28页 |
| 2.4.1 数据集与评价标准 | 第22-25页 |
| 2.4.2 实验结果与分析 | 第25-28页 |
| 2.5 本章小结 | 第28-30页 |
| 3 结合自适应相关滤波器和支持向量机的长期目标跟踪算法 | 第30-42页 |
| 3.1 引言 | 第30-31页 |
| 3.2 核相关滤波器 | 第31-32页 |
| 3.3 支持向量机 | 第32-34页 |
| 3.4 结合自适应相关滤波器和支持向量机的长期跟踪算法 | 第34-38页 |
| 3.4.1 自适应模型更新 | 第34-35页 |
| 3.4.2 检测模块 | 第35-36页 |
| 3.4.3 算法流程 | 第36-38页 |
| 3.5 实验结果与分析 | 第38-41页 |
| 3.5.1 实验设置 | 第38页 |
| 3.5.2 实验结果与分析 | 第38-41页 |
| 3.6 本章小结 | 第41-42页 |
| 4 基于卷积特征的长期目标跟踪算法 | 第42-52页 |
| 4.1 引言 | 第42页 |
| 4.2 基于全卷积网络的跟踪算法 | 第42-44页 |
| 4.3 基于卷积特征的长期目标跟踪算法 | 第44-47页 |
| 4.3.1 融合卷积特征 | 第44-45页 |
| 4.3.2 基于融合卷积特征的长期目标跟踪算法 | 第45-46页 |
| 4.3.3 基于分层卷积特征的长期目标跟踪算法 | 第46-47页 |
| 4.4 实验结果与分析 | 第47-51页 |
| 4.4.1 实验设置 | 第47页 |
| 4.4.2 实验结果与分析 | 第47-51页 |
| 4.5 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 附录 | 第60页 |