复杂场景下目标跟踪关键技术

1 绪论
1.1 研究背景及意义
1.2 研究范畴
1.3 外研究现状
1.3.1 生成式跟踪模型
1.3.2 判别式跟踪模型
1.3.3 基于孪生网络的跟踪模型
1.4 目标跟踪面临的挑战
1.5 存在的问题
1.6 研究内容
1.7 本书结构
2 相关准备知识
2.1 Camshift算法-生成式模型
2.2 相关滤波算法-判别式模型
2.2.1 循环矩阵的性质
2.2.2 单通道的岭回归建模
2.2.3 多通道的岭回归建模
2.3 孪生网络结构的目标跟踪架构
2.4 目标跟踪中的常用特征
2.4.1 经典手工特征
2.4.2 深度特征
2.4.3 轻量型卷积神经网络
2.5 目标跟踪测试集及评价指标
2.5.1 测试数据集
2.5.2 评价指标
2.6 本章小结
3 联合改进局部纹理特征和辅助重定位的生成式跟踪算法
3.1 研究动机
3.2 整体框架
3.3 联合改进局部纹理特征和辅助重定位的跟踪算法
3.3.1 基于改进粒子群优化算法的局部纹理特征模型
3.3.2 目标外观表征模型
3.3.3 基于改进局部纹理特征的跟踪算法
3.3.4 基于样本队列的目标重定位模块
3.3.5 目标模板 新
3.3.6 算法流程
3.4 实验结果分析及讨论
3.4.1 定量分析
3.4.2 定性分析
3.5 本章小结
4 基于动态空间正则化和目标显著性引导的相关滤波跟踪算法
4.1 研究动机
4.2 整体框架
4.3 空间正则化和目标显著性引导的相关滤波跟踪算法
4.3.1 动态空间正则化目标函数的建模
4.3.2 目标函数的优化过程
4.3.3 目标外观表征模型
4.3.4 基于动态空间正则化的跟踪算法
4.3.5 基于目标显著性引导的重检测模块
4.3.6 目标模型 新