基于CUDA的霍夫森林目标跟踪算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 目标跟踪国内外研究现状 | 第14-16页 |
| 1.2.2 GPGPU技术国内外研究现状 | 第16页 |
| 1.3 论文研究内容 | 第16-20页 |
| 1.3.1 论文主要工作与贡献 | 第17页 |
| 1.3.2 论文结构安排 | 第17-20页 |
| 第二章 随机森林理论 | 第20-34页 |
| 2.1 决策树算法 | 第20-24页 |
| 2.1.1 决策树 | 第20-21页 |
| 2.1.2 决策树属性的选择 | 第21-22页 |
| 2.1.3 决策树的构建 | 第22-23页 |
| 2.1.4 决策树剪枝策略 | 第23-24页 |
| 2.2 随机森林算法 | 第24-31页 |
| 2.2.1 随机森林训练算法 | 第24-30页 |
| 2.2.2 随机森林投票 | 第30页 |
| 2.2.3 极端随机森林 | 第30-31页 |
| 2.3 随机森林优势 | 第31页 |
| 2.4 随机森林在计算机视觉领域的应用 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于弱分类器响应的霍夫森林跟踪算法 | 第34-72页 |
| 3.1 特征描述 | 第35-39页 |
| 3.1.1 Lab颜色空间 | 第35页 |
| 3.1.2 HOG特征 | 第35-38页 |
| 3.1.3 LBP特征 | 第38-39页 |
| 3.2 霍夫森林算法 | 第39-42页 |
| 3.2.1 构建霍夫森林 | 第40-41页 |
| 3.2.2 使用霍夫森林进行目标检测 | 第41-42页 |
| 3.3 基于弱分类器响应的决策树分裂策略 | 第42-44页 |
| 3.4 基于检测的跟踪方法 | 第44-46页 |
| 3.5 实验结果与分析 | 第46-69页 |
| 3.5.1 实验环境 | 第46-47页 |
| 3.5.2 评价标准 | 第47-48页 |
| 3.5.3 与传统霍夫森林跟踪算法对比 | 第48-58页 |
| 3.5.4 与主流跟踪算法对比 | 第58-69页 |
| 3.6 本章小结 | 第69-72页 |
| 第四章 基于CUDA的霍夫森林算法 | 第72-86页 |
| 4.1 CUDA编程模型 | 第72-77页 |
| 4.1.1 主机和设备 | 第72-74页 |
| 4.1.2 线程层次结构 | 第74页 |
| 4.1.3 CUDA硬件架构 | 第74-75页 |
| 4.1.4 存储器层次结构 | 第75-77页 |
| 4.2 CUDA并行程序优化 | 第77-78页 |
| 4.3 基于CUDA的霍夫森林算法 | 第78-84页 |
| 4.3.1 基于CUDA的HOG特征提取实现 | 第79-82页 |
| 4.3.2 基于CUDA的split函数实现 | 第82-84页 |
| 4.4 本章小结 | 第84-86页 |
| 第五章 总结与展望 | 第86-88页 |
| 5.1 总结 | 第86页 |
| 5.2 展望 | 第86-88页 |
| 参考文献 | 第88-92页 |
| 攻读硕士学位期间发表论文及科研情况 | 第92-94页 |
| 致谢 | 第94页 |
