基于表观判别模型的多目标跟踪研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 研究现状及发展趋势 | 第14-17页 |
| 1.2.1 研究现状 | 第14-16页 |
| 1.2.2 发展趋势 | 第16-17页 |
| 1.3 本文主要工作 | 第17-18页 |
| 1.4 本文组织结构 | 第18-19页 |
| 第2章 多目标跟踪研究 | 第19-31页 |
| 2.1 预备知识 | 第19-20页 |
| 2.2 多目标跟踪的形式化表达 | 第20-21页 |
| 2.3 多目标跟踪的主要难题 | 第21-22页 |
| 2.4 多目标跟踪分类 | 第22-24页 |
| 2.4.1 按初始化的不同分类 | 第22-23页 |
| 2.4.2 按处理过程的不同分类 | 第23-24页 |
| 2.4.3 从数学的角度分类 | 第24页 |
| 2.5 多目标跟踪的主要模型 | 第24-26页 |
| 2.5.1 表观模型 | 第24-25页 |
| 2.5.2 运动模型 | 第25页 |
| 2.5.3 交互模型 | 第25-26页 |
| 2.5.4 排除模型 | 第26页 |
| 2.5.5 遮挡模型 | 第26页 |
| 2.6 多目标跟踪的性能评价 | 第26-29页 |
| 2.6.1 多目标跟踪的评价指标 | 第26-27页 |
| 2.6.2 多目标跟踪的评价过程 | 第27-29页 |
| 2.7 本章小结 | 第29-31页 |
| 第3章 多假设跟踪研究 | 第31-41页 |
| 3.1 算法简介 | 第31页 |
| 3.2 算法分析 | 第31-37页 |
| 3.2.1 假设生成 | 第32-34页 |
| 3.2.2 概率计算 | 第34-37页 |
| 3.3 算法优化 | 第37-40页 |
| 3.3.1 轨迹树 | 第37页 |
| 3.3.2 空间不相交的假设树 | 第37-38页 |
| 3.3.3 k最优假设 | 第38-39页 |
| 3.3.4 假设树修剪 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于表观判别模型的多目标跟踪 | 第41-51页 |
| 4.1 方法概述 | 第41-42页 |
| 4.2 多线索融合的分层多目标跟踪方法 | 第42-49页 |
| 4.2.1 可靠的小段轨迹 | 第42-43页 |
| 4.2.2 表观度量学习 | 第43-45页 |
| 4.2.3 多线索融合策略 | 第45-46页 |
| 4.2.4 小段轨迹多假设跟踪 | 第46-47页 |
| 4.2.5 表观建模和更新策略 | 第47-49页 |
| 4.3 本章小结 | 第49-51页 |
| 第5章 实验与分析 | 第51-63页 |
| 5.1 实验环境 | 第51页 |
| 5.2 数据集和基准方法 | 第51-54页 |
| 5.2.1 数据集 | 第51-54页 |
| 5.2.2 基准方法 | 第54页 |
| 5.3 实验设置 | 第54-55页 |
| 5.3.1 先验参数 | 第54-55页 |
| 5.3.2 评估指标 | 第55页 |
| 5.4 结果和分析 | 第55-59页 |
| 5.5 基准测试 | 第59-60页 |
| 5.6 本章小结 | 第60-63页 |
| 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的论文及参与的科研项目 | 第69-71页 |
| 致谢 | 第71-72页 |
