基于单镜头的车辆检测与跟踪方法研究
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 检测研究现状 | 第10-12页 |
| 1.2.2 目标跟踪研究现状 | 第12-14页 |
| 1.3 主要工作与创新 | 第14-15页 |
| 1.4 论文结构 | 第15-17页 |
| 2 车辆检测算法 | 第17-41页 |
| 2.1 基于背景建模的车辆检测 | 第17-25页 |
| 2.1.1 基础知识 | 第17-19页 |
| 2.1.2 混合高斯模型 | 第19-21页 |
| 2.1.3 ViBe | 第21-25页 |
| 2.2 基于机器学习的车辆检测 | 第25-34页 |
| 2.2.1 图像特征介绍 | 第25-29页 |
| 2.2.2 分类器介绍 | 第29-33页 |
| 2.2.3 基于HOG+SVM的车辆检测 | 第33-34页 |
| 2.3 基于深度学习的车辆检测 | 第34-40页 |
| 2.3.1 深度学习简介 | 第35-37页 |
| 2.3.2 YOLOv2方法简述 | 第37-38页 |
| 2.3.3 训练YOLOv2车辆检测模型 | 第38-40页 |
| 2.4 本章小结 | 第40-41页 |
| 3 车辆跟踪算法 | 第41-51页 |
| 3.1 经典跟踪方法 | 第41-42页 |
| 3.2 基于相关滤波跟踪方法 | 第42-46页 |
| 3.2.1 STC跟踪算法 | 第42-44页 |
| 3.2.2 KCF跟踪算法 | 第44-46页 |
| 3.3 基于深度学习跟踪算法 | 第46-50页 |
| 3.3.1 C-COT算法 | 第46-48页 |
| 3.3.2 ECO跟踪算法 | 第48-50页 |
| 3.4 本章小节 | 第50-51页 |
| 4 算法思想与实验集成 | 第51-64页 |
| 4.1 自适应学习率改进 | 第51-55页 |
| 4.1.1 理论分析 | 第51-53页 |
| 4.1.2 改进思想 | 第53-55页 |
| 4.2 基于相关滤波的车辆跟踪改进方法 | 第55-58页 |
| 4.2.1 特征点匹配 | 第56-57页 |
| 4.2.2 学习模型更新算法 | 第57-58页 |
| 4.3 实验结果分析 | 第58-63页 |
| 4.3.1 系统界面 | 第58-60页 |
| 4.3.2 改进算法实验 | 第60-63页 |
| 4.4 本章小结 | 第63-64页 |
| 5 结论及展望 | 第64-66页 |
| 5.1 结论 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 在校期间科研成果 | 第70页 |
