| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 研究的背景和意义 | 第13-14页 |
| 1.2 激光雷达及其应用 | 第14-15页 |
| 1.3 目标跟踪算法研究及发展状况 | 第15-19页 |
| 1.3.1 判别式目标跟踪算法 | 第16-17页 |
| 1.3.2 生成式目标跟踪算法 | 第17-19页 |
| 1.4 基于激光雷达的目标跟踪方法 | 第19-21页 |
| 1.5 本文研究内容与组织结构 | 第21-23页 |
| 第2章 基于稀疏学习的目标跟踪 | 第23-34页 |
| 2.1 粒子滤波 | 第23-25页 |
| 2.1.1 粒子滤波简介 | 第23页 |
| 2.1.2 粒子滤波在目标跟踪中的一般实施过程 | 第23-25页 |
| 2.2 目标跟踪中的稀疏学习方法 | 第25-31页 |
| 2.2.1 稀疏表达原理简介 | 第25-28页 |
| 2.2.2 目标跟踪中的稀疏学习算法原理 | 第28-30页 |
| 2.2.3 稀疏学习原理验证 | 第30-31页 |
| 2.3 多任务稀疏学习方法 | 第31-33页 |
| 2.3.1 粒子间的互信息与多任务稀疏学习 | 第31-32页 |
| 2.3.2 多任务稀疏学习实现原理 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于激光雷达3D深度数据的目标表达模型 | 第34-50页 |
| 3.1 激光雷达介绍 | 第34-40页 |
| 3.1.1 Velodyne HDL-64 S2激光雷达 | 第34-37页 |
| 3.1.2 激光雷达分辨率分析 | 第37-38页 |
| 3.1.3 虚拟像平面与三维点云数据投影 | 第38-40页 |
| 3.2 基于三维点云数据的目标表达模型 | 第40-48页 |
| 3.2.1 目标法向特征 | 第40-43页 |
| 3.2.2 深度图特征 | 第43-44页 |
| 3.2.3 局部二值模式特征 | 第44-45页 |
| 3.2.4 方向梯度直方图特征 | 第45-46页 |
| 3.2.5 比较不同特征的描述能力 | 第46-48页 |
| 3.3 本章小结 | 第48-50页 |
| 第4章 基于稀疏学习方法的激光雷达目标跟踪 | 第50-71页 |
| 4.1 算法框架 | 第50-57页 |
| 4.1.1 基于激光雷达目标表达模型的多任务稀疏学习 | 第51-53页 |
| 4.1.2 优化算法 | 第53-55页 |
| 4.1.3 算法性能优化 | 第55-57页 |
| 4.2 深度信息的进一步利用 | 第57-63页 |
| 4.2.1 目标深度估计 | 第57-59页 |
| 4.2.2 背景过滤 | 第59-61页 |
| 4.2.3 遮挡检测 | 第61-63页 |
| 4.3 实验分析 | 第63-70页 |
| 4.3.1 算法有效性实验 | 第63-66页 |
| 4.3.2 算法的不足 | 第66-67页 |
| 4.3.3 与传统方法比较实验 | 第67-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第5章 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71页 |
| 5.2 展望 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间主要的研究成果 | 第78页 |