| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景 | 第13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 课题研究的目的和意义 | 第16-17页 |
| 1.4 本文的主要工作和创新点 | 第17-19页 |
| 1.5 论文的组织结构 | 第19-20页 |
| 第二章 Boosting跟踪算法 | 第20-28页 |
| 2.1 基于贝叶斯框架的跟踪问题 | 第20-24页 |
| 2.1.1 贝叶斯滤波 | 第20-22页 |
| 2.1.2 粒子滤波算法 | 第22-24页 |
| 2.2 Boosting算法 | 第24-28页 |
| 2.2.1 在线Boosting算法理论 | 第25页 |
| 2.2.2 Adaboost算法原理 | 第25-28页 |
| 第三章 两层级联Boosting分类方法实现目标跟踪 | 第28-47页 |
| 3.1 引言 | 第28页 |
| 3.2 OAB目标跟踪算法 | 第28-30页 |
| 3.3 两层级联Boosting实现目标跟踪 | 第30-39页 |
| 3.3.1 卷积提取特征方法 | 第31-33页 |
| 3.3.2 两层级联Boosting选择特征 | 第33-37页 |
| 3.3.3 目标跟踪的检测过程 | 第37-39页 |
| 3.4 实验 | 第39-46页 |
| 3.4.1 卷积特征与Haar-like特征的比较 | 第40-41页 |
| 3.4.2 两层Boosting与一层Boosting的比较 | 第41-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于深度网络提取特征的Boosting跟踪算法 | 第47-56页 |
| 4.1 引言 | 第47页 |
| 4.2 基于深度网络提取特征的Boosting跟踪算法实现 | 第47-53页 |
| 4.2.1 特征图谱获取方法 | 第48-49页 |
| 4.2.2 提取跟踪目标的特征 | 第49-51页 |
| 4.2.3 使用Boosting选择深度网络高维特征 | 第51-53页 |
| 4.3 实验 | 第53-55页 |
| 4.3.1 不同层次特征图谱的测试结果 | 第53-54页 |
| 4.3.2 不同特征图谱维度的测试结果 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 两层级联Boosting目标跟踪算法的优化加速 | 第56-66页 |
| 5.1 引言 | 第56页 |
| 5.2 GPU加速原理 | 第56-58页 |
| 5.3 基于CUDA的GPU加速算法实现目标跟踪 | 第58-62页 |
| 5.3.1 基于GPU加速算法的实现 | 第58-60页 |
| 5.3.2 实验与结果 | 第60-62页 |
| 5.4 减少GPU动态开辟内存的次数 | 第62-65页 |
| 5.4.1 改进后的GPU加速算法实现 | 第62-63页 |
| 5.4.2 实验与结果 | 第63-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-69页 |
| 6.1 总结 | 第66-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-76页 |
| 攻读硕士期间所取得的科研成果 | 第76-77页 |
| 致谢 | 第77页 |
