多假设跟踪中的在线学习方法研究

目录

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