1 绪 论
1.1 研究背景
1.2 视觉对象跟踪系统结构
1.3 国内外研究现状
1.3.1 生成式跟踪方法
1.3.2 判别式跟踪方法
1.4 存在的问题与挑战
1.5 研究内容及贡献
1.6 论文内容组织
2 基于SOM网络及相关滤波器的对象跟踪
2.1 研究背景
2.2 研究动机与贡献
2.3 方法概述
2.3.1 核化相关滤波算法
2.3.2 对象位移滤波器
2.3.3 对象尺度滤波器
2.3.4 长期记忆滤波器
2.3.5 在线检测器
2.4 方法实现
2.5 试验结果
2.5.1 试验设置
2.5.2 整体性能
2.5.3 复杂场景测试
2.5.4 组件修改研究
2.5.5 实验结果比较
2.6 本章总结
3.1 研究背景
3.2 相关工作
3.3 方法概述
3.4 方法实现
3.4.1 区域提名方法
3.4.2 卷积层特征提取
3.4.3 卷积层目标定位
3.4.4 自适应特征融合
3.4.5 外观模型更新
3.4.6 算法实现
3.5 实验结果
3.5.1 评测指标
3.5.2 整体性能评估
3.5.3 复杂场景评估
3.5.4 组件修改对比实验
3.5.5 层特征差异分析
3.5.6 评价结果分析
3.6 本章总结
4 基于可变形卷积神经网络的多对象跟踪
4.1 研究背景
4.2 相关工作
4.3 方法概述
4.3.1 可变形卷积和可变形池化
4.3.2 卡尔曼滤波器
4.3.3 轨迹片段生成
4.3.4 系统架构
4.4 方法实现
4.5 实验结果
4.5.1 实验设置
4.5.2 评价标准
4.5.3 特征提取分析
4.5.4 OBT上的跟踪结果
4.5.5 PETS上的跟踪结果
4.5.6 TUD-Stadtmitte上的跟踪结果
4.5.7 CAVIAR上的跟踪比较
4.6 本章小结
5 总结与展望
5.1 全文总结
5.2 工作展望
参考文献
附录
A. 作者在攻读学位期间发表的论文目录
B. 作者在攻读学位期间取得的科研成果目录
C. 学位论文数据集
致谢
重庆大学;