復雜場景下目標跟蹤關鍵技術

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 基于孿生網絡的跟蹤模型
1.4 目標跟蹤面臨的挑戰(zhàn)
1.5 存在的問題
1.6 研究內容
1.7 本書結構
2 相關準備知識
2.1 Camshift算法-生成式模型
2.2 相關濾波算法-判別式模型
2.2.1 循環(huán)矩陣的性質
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 孿生網絡結構的目標跟蹤架構
2.4 目標跟蹤中的常用特征
2.4.1 經典手工特征
2.4.2 深度特征
2.4.3 輕量型卷積神經網絡
2.5 目標跟蹤測試集及評價指標
2.5.1 測試數(shù)據(jù)集
2.5.2 評價指標
2.6 本章小結
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重定位模塊
3.3.5 目標模板 新
3.3.6 算法流程
3.4 實驗結果分析及討論
3.4.1 定量分析
3.4.2 定性分析
3.5 本章小結
4 基于動態(tài)空間正則化和目標顯著性引導的相關濾波跟蹤算法
4.1 研究動機
4.2 整體框架
4.3 空間正則化和目標顯著性引導的相關濾波跟蹤算法
4.3.1 動態(tài)空間正則化目標函數(shù)的建模
4.3.2 目標函數(shù)的優(yōu)化過程
4.3.3 目標外觀表征模型
4.3.4 基于動態(tài)空間正則化的跟蹤算法
4.3.5 基于目標顯著性引導的重檢測模塊
4.3.6 目標模型 新