| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 车辆检测研究现状 | 第12-16页 |
| 1.2.2 目标跟踪研究现状 | 第16-18页 |
| 1.3 车辆跟踪的难点 | 第18-19页 |
| 1.4 本文的结构安排 | 第19-20页 |
| 2 基于卷积神经网络的车辆检测方法 | 第20-36页 |
| 2.1 卷积神经网络的基本原理 | 第20-26页 |
| 2.1.1 局部感知 | 第20-22页 |
| 2.1.2 权值共享 | 第22-24页 |
| 2.1.3 池化 | 第24-25页 |
| 2.1.4 卷积神经网络的整体结构 | 第25-26页 |
| 2.2 FASTER R-CNN实现目标检测 | 第26-29页 |
| 2.2.1 R-CNN和Fast R-CNN基本结构和原理 | 第26-27页 |
| 2.2.2 Faster R-CNN的基本原理 | 第27-29页 |
| 2.3 实验与结果分析 | 第29-36页 |
| 2.3.1 实验数据集介绍 | 第29-30页 |
| 2.3.2 实验设置 | 第30-31页 |
| 2.3.3 实验结果评测和分析 | 第31-36页 |
| 3 增量学习提升的核化相关滤波算法 | 第36-48页 |
| 3.1 核化相关滤波跟踪 | 第36-40页 |
| 3.1.1 回归问题求解 | 第36-37页 |
| 3.1.2 循环矩阵构建 | 第37-38页 |
| 3.1.3 非线性问题求解 | 第38-39页 |
| 3.1.4 快速目标检测 | 第39-40页 |
| 3.2 基于增量学习的模型更新 | 第40-43页 |
| 3.2.1 线性插值模型更新 | 第40页 |
| 3.2.2 增量学习的基本原理 | 第40-41页 |
| 3.2.3 增量学习在HOG特征上的应用 | 第41-42页 |
| 3.2.4 跟踪快照在模型更新中的应用 | 第42-43页 |
| 3.3 实验与结果分析 | 第43-48页 |
| 3.3.1 实验参数没置 | 第43-44页 |
| 3.3.2 评测库及评测标准 | 第44-45页 |
| 3.3.3 在评测库上的评测结果 | 第45-48页 |
| 4 车辆跟踪算法的实现 | 第48-64页 |
| 4.1 多尺度改进的核化相关滤波跟踪算法 | 第48-50页 |
| 4.1.1 多尺度下的线性回归 | 第48-49页 |
| 4.1.2 多尺度模型的训练和测试 | 第49-50页 |
| 4.2 基于轨迹片段置信度的数据关联 | 第50-54页 |
| 4.2.1 轨迹片段置信度确定 | 第51-52页 |
| 4.2.2 轨迹片段的局部关联 | 第52-53页 |
| 4.2.3 轨迹片段的全局关联 | 第53-54页 |
| 4.3 交通场景中车辆跟踪的框架实现 | 第54-59页 |
| 4.3.1 车辆跟踪框架设计 | 第54-55页 |
| 4.3.2 加速的关联度计算方法 | 第55-56页 |
| 4.3.3 检测和跟踪结果的融合 | 第56-58页 |
| 4.3.4 其他细节设置 | 第58-59页 |
| 4.4 实验和结果分析 | 第59-64页 |
| 5 总结与展望 | 第64-66页 |
| 5.1 研究总结 | 第64页 |
| 5.2 研究不足和展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |