復(fù)雜場景下目標(biāo)跟蹤關(guān)鍵技術(shù)

1 緒論
1.1 研究背景及意義
1.2 研究范疇
1.3 外研究現(xiàn)狀
1.3.1 生成式跟蹤模型
1.3.2 判別式跟蹤模型
1.3.3 基于孿生網(wǎng)絡(luò)的跟蹤模型
1.4 目標(biāo)跟蹤面臨的挑戰(zhàn)
1.5 存在的問題
1.6 研究內(nèi)容
1.7 本書結(jié)構(gòu)
2 相關(guān)準(zhǔn)備知識
2.1 Camshift算法-生成式模型
2.2 相關(guān)濾波算法-判別式模型
2.2.1 循環(huán)矩陣的性質(zhì)
2.2.2 單通道的嶺回歸建模
2.2.3 多通道的嶺回歸建模
2.3 孿生網(wǎng)絡(luò)結(jié)構(gòu)的目標(biāo)跟蹤架構(gòu)
2.4 目標(biāo)跟蹤中的常用特征
2.4.1 經(jīng)典手工特征
2.4.2 深度特征
2.4.3 輕量型卷積神經(jīng)網(wǎng)絡(luò)
2.5 目標(biāo)跟蹤測試集及評價指標(biāo)
2.5.1 測試數(shù)據(jù)集
2.5.2 評價指標(biāo)
2.6 本章小結(jié)
3 聯(lián)合改進局部紋理特征和輔助重定位的生成式跟蹤算法
3.1 研究動機
3.2 整體框架
3.3 聯(lián)合改進局部紋理特征和輔助重定位的跟蹤算法
3.3.1 基于改進粒子群優(yōu)化算法的局部紋理特征模型
3.3.2 目標(biāo)外觀表征模型
3.3.3 基于改進局部紋理特征的跟蹤算法
3.3.4 基于樣本隊列的目標(biāo)重定位模塊
3.3.5 目標(biāo)模板 新
3.3.6 算法流程
3.4 實驗結(jié)果分析及討論
3.4.1 定量分析
3.4.2 定性分析
3.5 本章小結(jié)
4 基于動態(tài)空間正則化和目標(biāo)顯著性引導(dǎo)的相關(guān)濾波跟蹤算法
4.1 研究動機
4.2 整體框架
4.3 空間正則化和目標(biāo)顯著性引導(dǎo)的相關(guān)濾波跟蹤算法
4.3.1 動態(tài)空間正則化目標(biāo)函數(shù)的建模
4.3.2 目標(biāo)函數(shù)的優(yōu)化過程
4.3.3 目標(biāo)外觀表征模型
4.3.4 基于動態(tài)空間正則化的跟蹤算法
4.3.5 基于目標(biāo)顯著性引導(dǎo)的重檢測模塊
4.3.6 目標(biāo)模型 新