结合相关滤波和卷积神经网络的目标跟踪方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究目的与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 特征提取 | 第11-12页 |
| 1.2.2 目标模型 | 第12-15页 |
| 1.3 研究内容与技术路线 | 第15-16页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 技术路线 | 第16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 相关理论及方法概述 | 第18-26页 |
| 2.1 卷积神经网络 | 第18-20页 |
| 2.1.1 卷积神经网络结构 | 第18页 |
| 2.1.2 卷积层 | 第18-19页 |
| 2.1.3 激活函数及池化层 | 第19-20页 |
| 2.2 核相关滤波算法 | 第20-25页 |
| 2.2.1 循环矩阵 | 第21页 |
| 2.2.2 线性脊回归模型 | 第21-22页 |
| 2.2.3 非线性脊回归模型 | 第22-24页 |
| 2.2.4 快速检测 | 第24-25页 |
| 2.2.5 跟踪算法 | 第25页 |
| 2.3 本章小节 | 第25-26页 |
| 第三章 VGG-NET分层特征跟踪性能分析 | 第26-39页 |
| 3.1 VGG-NET介绍 | 第26-27页 |
| 3.2 分层特征跟踪性能分析 | 第27-32页 |
| 3.2.1 卷积层输出特征可视化实验 | 第27页 |
| 3.2.2 卷积层输出特征结合相关滤波 | 第27-28页 |
| 3.2.3 分层跟踪实验结果讨论 | 第28-32页 |
| 3.3 结合分层卷积特征的相关滤波算法 | 第32-34页 |
| 3.3.1 相关滤波与卷积特征结合 | 第32-33页 |
| 3.3.2 由粗到细的目标定位方法 | 第33页 |
| 3.3.3 实验结果分析 | 第33-34页 |
| 3.4 VGG-NET结构调整 | 第34-38页 |
| 3.4.1 网络结构 | 第35页 |
| 3.4.2 网络学习策略 | 第35-36页 |
| 3.4.3 实验结果分析 | 第36-38页 |
| 3.5 本章小节 | 第38-39页 |
| 第四章 模型更新机制改进及尺度自适应 | 第39-52页 |
| 4.1 模型更新机制优化 | 第39-41页 |
| 4.1.1 模型更新评估方法介绍 | 第40页 |
| 4.1.2 实验结果分析 | 第40-41页 |
| 4.2 目标尺度自适应 | 第41-44页 |
| 4.2.1 尺度自适应方法介绍 | 第41-43页 |
| 4.2.2 实验结果分析 | 第43-44页 |
| 4.3 算法设计 | 第44页 |
| 4.4 实验结果 | 第44-51页 |
| 4.4.1 实验环境 | 第44-45页 |
| 4.4.2 定量分析 | 第45-48页 |
| 4.4.3 定性评价 | 第48-51页 |
| 4.5 本章小节 | 第51-52页 |
| 第五章 结论与展望 | 第52-54页 |
| 5.1 结论 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 作者简介 | 第58页 |
