| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-25页 |
| 1.1 课题背景与研究意义 | 第10-12页 |
| 1.2 国内外研究概况 | 第12-22页 |
| 1.3 论文的主要研究内容和组织结构 | 第22-25页 |
| 2 相关理论及评价指标 | 第25-36页 |
| 2.1 相似性度量方法 | 第25-27页 |
| 2.2 稀疏编码基础理论 | 第27-30页 |
| 2.3 神经网络的基础理论 | 第30-34页 |
| 2.4 目标跟踪评价指标 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 3 基于稀疏表示与时空上下文结合的目标跟踪算法 | 第36-62页 |
| 3.1 引言 | 第36-37页 |
| 3.2 基于粒子滤波的候选块采样方法 | 第37-39页 |
| 3.3 基于局部块的稀疏编码特征与相似性计算 | 第39-45页 |
| 3.4 基于空间上下文的相邻帧目标相似度的计算 | 第45-48页 |
| 3.5 历史跟踪模板的生成及相似度的计算 | 第48-51页 |
| 3.6 实验及结果分析 | 第51-61页 |
| 3.7 本章小结 | 第61-62页 |
| 4 基于深度特征的生成式目标跟踪算法 | 第62-80页 |
| 4.1 引言 | 第62-63页 |
| 4.2 神经网络的结构与训练方法 | 第63-67页 |
| 4.3 基于JS散度的相似度计算方法 | 第67-69页 |
| 4.4 网络的更新与历史模板的生成方法 | 第69-72页 |
| 4.5 多模板策略下的目标跟踪 | 第72-73页 |
| 4.6 实验及结果分析 | 第73-79页 |
| 4.7 本章小结 | 第79-80页 |
| 5 基于深度学习的生成式判别式结合的目标跟踪算法 | 第80-103页 |
| 5.1 引言 | 第80-82页 |
| 5.2 深度神经网络结构与网络训练方法 | 第82-85页 |
| 5.3 判别模型及生成模型的相关模块 | 第85-89页 |
| 5.4 算法的工作流程 | 第89-96页 |
| 5.5 实验及结果分析 | 第96-102页 |
| 5.6 本章小结 | 第102-103页 |
| 6 总结与展望 | 第103-106页 |
| 6.1 本文的主要研究成果 | 第103-104页 |
| 6.2 研究展望 | 第104-106页 |
| 致谢 | 第106-108页 |
| 参考文献 | 第108-120页 |
| 附录1 攻读博士学位期间发表、录用和提交的主要论文 | 第120-121页 |
| 附录2 攻读博士学位期间参与的主要项目 | 第121-122页 |
| 附录3 攻读博士学位期间获得的荣誉 | 第122页 |