| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要工作与结构 | 第13-15页 |
| 第二章 基于粒子滤波的目标跟踪 | 第15-27页 |
| 2.1 贝叶斯滤波原理 | 第15-16页 |
| 2.2 卡尔曼滤波 | 第16-18页 |
| 2.3 粒子滤波 | 第18-22页 |
| 2.3.1 蒙特卡洛采样 | 第18-19页 |
| 2.3.2 贝叶斯重要性采样(BIS) | 第19-20页 |
| 2.3.3 序列重要性采样(SIS) | 第20-21页 |
| 2.3.4 粒子退化现象 | 第21-22页 |
| 2.4 基于RGB颜色分布的自适应粒子滤波器的目标跟踪 | 第22-25页 |
| 2.4.1 颜色分布模型 | 第23页 |
| 2.4.2 基于粒子滤波的目标跟踪算法的实现 | 第23-24页 |
| 2.4.3 模板更新 | 第24-25页 |
| 2.5 实验结果及分析 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于在线Adaboost检测和粒子滤波的目标跟踪 | 第27-39页 |
| 3.1 早期的boosting算法 | 第27-29页 |
| 3.1.1 PAC学习模型 | 第27-28页 |
| 3.1.2 Boosting算法的提出 | 第28-29页 |
| 3.2 离线Adaboost算法 | 第29-31页 |
| 3.3 在线Adaboost算法 | 第31-33页 |
| 3.4 基于在线Adaboost检测和粒子滤波的目标跟踪 | 第33-38页 |
| 3.4.1 粒子滤波框架 | 第33页 |
| 3.4.2 在线提取特征 | 第33-36页 |
| 3.4.3 分类器更新 | 第36页 |
| 3.4.4 实验结果及分析 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于检测的多特征混合粒子滤波的多目标跟踪 | 第39-50页 |
| 4.1 混合粒子滤波 | 第39-43页 |
| 4.1.1 混合贝叶斯序列滤波 | 第39-41页 |
| 4.1.2 混合模型的粒子表达 | 第41-42页 |
| 4.1.3 混合模型的重构 | 第42-43页 |
| 4.2 级联Adaboost检测器 | 第43-44页 |
| 4.3 基于检测的多特征混合粒子滤波的多目标跟踪 | 第44-47页 |
| 4.3.1 融合Adaboost的建议采样分布 | 第44页 |
| 4.3.2 状态转移模型 | 第44-45页 |
| 4.3.3 分块HSV直方图 | 第45页 |
| 4.3.4 HOG特征 | 第45-46页 |
| 4.3.5 观测似然分布 | 第46页 |
| 4.3.6 算法实现流程 | 第46-47页 |
| 4.4 实验结果及分析 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 全文总结 | 第50页 |
| 5.2 工作展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 附录 ：攻读学位期间发表的学术论文 | 第57页 |
