| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究工作的背景与意义 | 第13页 |
| 1.2 目标跟踪方法的国内外研究历史与现状 | 第13-18页 |
| 1.2.1 目标跟踪方法介绍 | 第15-16页 |
| 1.2.2 基于Kinect的 3D简介 | 第16页 |
| 1.2.3 基于GPGPU的并行算法简介 | 第16-18页 |
| 1.3 本文的主要工作与创新 | 第18-20页 |
| 1.3.1 利用目标深度信息的自适应跟踪窗.技术 | 第19页 |
| 1.3.2 GPGPU上MapReduce架构下实现跟踪算法并行 | 第19页 |
| 1.3.3 基于XYZ权值相关的直方图计算方法 | 第19-20页 |
| 1.4 技术难点 | 第20页 |
| 1.5 本论文的结构安排 | 第20-22页 |
| 第二章 粒子滤波理论基础 | 第22-34页 |
| 2.1 蒙特卡洛方法简介 | 第22-23页 |
| 2.2 粒子滤波简介 | 第23-31页 |
| 2.2.1 粒子滤波理论介绍 | 第23-27页 |
| 2.2.2 粒子滤波离散化表示 | 第27页 |
| 2.2.3 贝叶斯重要性采样(Bayesian Importance Sampling, BIS) | 第27-29页 |
| 2.2.4 序列重要性采样(Sequential Importance Sampling, SIS) | 第29-30页 |
| 2.2.5 重采样(Resample) | 第30-31页 |
| 2.3 传统粒子滤波跟踪应用介绍 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第三章 基于CUDA的并行算法研究 | 第34-46页 |
| 3.1 GPU的发展历史 | 第34-35页 |
| 3.2 CPU+GPU的异构运算 | 第35-36页 |
| 3.3 CUDA平台 | 第36-39页 |
| 3.3.1 CUDA硬件模型 | 第36-37页 |
| 3.3.2 CUDA编程模型 | 第37页 |
| 3.3.3 CUDA编程总述 | 第37-39页 |
| 3.4 基于CUDA的并行规约（Parallel Reduction）求和 | 第39-42页 |
| 3.5 基于CUDA的双调排序（Bitonic Sort） | 第42-44页 |
| 3.6 本章小结 | 第44-46页 |
| 第四章 MapReduce架构下的 3D粒子滤波算法在CUDA上的实现 | 第46-61页 |
| 4.1 利用目标深度信息的自适应跟踪窗.技术 | 第46-48页 |
| 4.2 粒子滤波的并行化 | 第48-52页 |
| 4.3 基于XYZ权值相关的直方图计算方法 | 第52-53页 |
| 4.4 MapReduce架构下GPU上的粒子滤波 | 第53-59页 |
| 4.4.1 MapReduce简介 | 第54-55页 |
| 4.4.2 粒子滤波的MapReduce架构 | 第55-59页 |
| 4.4.2.1 在GPU上实现MapReduce架构的Mars | 第56-58页 |
| 4.4.2.2 本文改进的手动调整MapReduce | 第58-59页 |
| 4.5 本章总结 | 第59-61页 |
| 第五章 CUDA平台上的实验结果 | 第61-73页 |
| 5.1 Kinect与OpenNI | 第61-64页 |
| 5.1.1 Kinect摄像头 | 第61-63页 |
| 5.1.2 OpenNI（Open Natural Interaction）架构 | 第63-64页 |
| 5.2 跟踪鲁棒性结果 | 第64-67页 |
| 5.3 跟踪实时性结果 | 第67-70页 |
| 5.4 跟踪在不同GPU上结果 | 第70-71页 |
| 5.5 系统代价的讨论 | 第71-72页 |
| 5.6 本章总结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 全文总结 | 第73页 |
| 6.2 后续工作展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 个人简历 | 第79-80页 |
| 攻读硕士学位期间取得的成果 | 第80-81页 |
