| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·研究背景与意义 | 第8-9页 |
| ·多目标跟踪国内外研究现状 | 第9-14页 |
| ·多目标跟踪的基本概念和原理 | 第9-10页 |
| ·基于数据关联的多目标跟踪 | 第10-11页 |
| ·基于随机集理论的多目标跟踪 | 第11-12页 |
| ·基于随机集的目标跟踪研究现状 | 第12-14页 |
| ·论文的研究内容和结构安排 | 第14-16页 |
| 第二章 多传感器多目标跟踪技术 | 第16-34页 |
| ·目标的运动模型 | 第16-20页 |
| ·目标跟踪的数学模型 | 第16-17页 |
| ·一般多项式模型 | 第17页 |
| ·CV 和 CA 模型 | 第17-18页 |
| ·Singer 模型 | 第18-19页 |
| ·当前统计模型和 CT 模型 | 第19-20页 |
| ·几种经典的滤波算法 | 第20-28页 |
| ·Bayes 滤波 | 第20-22页 |
| ·卡尔曼滤波 | 第22-25页 |
| ·卡尔曼滤波 | 第22-23页 |
| ·扩展卡尔曼滤波 | 第23-24页 |
| ·无迹卡尔曼滤波 | 第24-25页 |
| ·粒子滤波算法 | 第25-28页 |
| ·仿真实验与分析 | 第28-32页 |
| ·本章小结 | 第32-34页 |
| 第三章 基于随机有限集的多目标跟踪方法 | 第34-56页 |
| ·随机有限集理论 | 第34-39页 |
| ·随机有限集的定义 | 第34-36页 |
| ·集积分和集微分 | 第36-37页 |
| ·多目标跟踪中的随机有限集 | 第37-38页 |
| ·多目标跟踪中的贝叶斯滤波 | 第38-39页 |
| ·基于随机有限集 PHD 滤波 | 第39-49页 |
| ·概率假设密度(PHD)滤波 | 第39-40页 |
| ·带势的概率假设密度(CPHD)滤波 | 第40-41页 |
| ·PHD 滤波和 CPHD)滤波的实现 | 第41-49页 |
| ·混合高斯概率假设密度滤波算法 | 第42-44页 |
| ·粒子概率假设密度滤波算法 | 第44-46页 |
| ·高斯带势的概率假设密度(GM-CPHD)滤波算法 | 第46-49页 |
| ·随机有限集的多目标跟踪评价体系 | 第49-51页 |
| ·仿真实验与分析 | 第51-54页 |
| ·本章小结 | 第54-56页 |
| 第四章 改进的高斯粒子概率假设密度算法 | 第56-66页 |
| ·高斯混合粒子 PHD 滤波 | 第56-59页 |
| ·仿真实验与分析 | 第59-65页 |
| ·仿真实验一 | 第60-62页 |
| ·仿真实验二 | 第62-65页 |
| ·本章小结 | 第65-66页 |
| 第五章 多机动目标跟踪算法 | 第66-76页 |
| ·修正输入估计的机动目标跟踪 | 第66-68页 |
| ·改进的多机动目标跟踪算法 | 第68-70页 |
| ·仿真实验与分析 | 第70-74页 |
| ·本章小结 | 第74-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-86页 |
| 参与项目及研究成果 | 第86-87页 |