声明
摘要
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 目标跟踪国内外研究现状
1.2.2 GPGPU技术国内外研究现状
1.3 论文研究内容
1.3.1 论文主要工作与贡献
1.3.2 论文结构安排
第二章 随机森林理论
2.1 决策树算法
2.1.1 决策树
2.1.2 决策树属性的选择
2.1.3 决策树的构建
2.1.4 决策树剪枝策略
2.2 随机森林算法
2.2.1 随机森林训练算法
2.2.2 随机森林投票
2.2.3 极端随机森林
2.3 随机森林优势
2.4 随机森林在计算机视觉领域的应用
2.5 本章小结
第三章 基于弱分类器响应的霍夫森林跟踪算法
3.1 特征描述
3.1.1 Lab颜色空间
3.1.2 HOG特征
3.1.3 LBP特征
3.2 霍夫森林算法
3.2.1 构建霍夫森林
3.2.2 使用霍夫森林进行目标检测
3.3 基于弱分类器响应的决策树分裂策略
3.4 基于检测的跟踪方法
3.5 实验结果与分析
3.5.1 实验环境
3.5.2 评价标准
3.5.3 与传统霍夫森林跟踪算法对比
3.5.4 与主流跟踪算法对比
3.6 本章小结
第四章 基于CUDA的霍夫森林算法
4.1 CUDA编程模型
4.1.1 主机和设备
4.1.2 线程层次结构
4.1.3 CUDA硬件架构
4.1.4 存储器层次结构
4.2 CUDA并行程序优化
4.3 基于CUDA的霍夫森林算法
4.3.1 基于CUDA的HOG特征提取实现
4.3.2 基于CUDA的sprit函数实现
4.4 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
攻读硕士学位期间发表论文及科研情况
致谢