声明
1 绪论
1.1 研究背景与意义
1.2 研究现状
1.2.1 多假设跟踪研究
1.2.2 深度学习方法在目标跟踪中的应用
1.3 本文主要研究内容
1.4 论文组织结构
2 多假设跟踪理论
2.1 引言
2.2 关联门选取
2.3 假设评估与删除
2.3.1 假设得分计算
2.3.2 全局最优假设生成
2.3.3 假设剪枝
2.4 假设滤波预测
2.5 本章小结
3 基于在线外观建模的得分计算在MHT中的应用
3.1 引言
3.2 卷积神经网络结构
3.3 基于Faster R-CNN的目标检测
3.4 基于在线外观建模的假设得分计算
3.4.1 基于深度卷积神经网络的特征提取降维处理
3.4.2 基于岭回归的在线外观建模
3.4.3 在线外观模型在MHT 中的应用
3.5 实验及结果分析
3.5.1 实验设置
3.5.2 定量评价及分析
3.5.3 定性评价及分析
3.6 本章小结
4 基于BP神经网络的假设剪枝在MHT中的应用
4.1 引言
4.2 BP神经网络
4.2.1 网络结构设计
4.2.2 算法原理
4.3 基于BP神经网络的在线优化假设剪枝算法
4.3.1 假设剪枝算法设计
4.3.2 网络在线优化更新
4.4 实验及结果分析
4.4.1 实验设置
4.4.2 定量评价及分析
4.4.3 定性评价及分析
4.5 本章小结
5 基于在线学习的多假设跟踪系统
5.1 本章概述
5.2 系统总体框架设计
5.2.1 参数设置模块
5.2.2 检测输入模块
5.2.3 跟踪处理模块
5.2.4 结果展示模块
5.2.5 结果存储模块
5.3 软件运行环境
5.3.1 硬件环境
5.3.2 软件环境
5.4 跟踪系统实现
5.4.1 系统主控界面
5.4.2 系统模块界面
5.5 本章小结
6 总结和展望
6.1 总结
6.2 展望
致谢
参考文献
附录
南京理工大学;