| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 红外图像背景抑制研究现状 | 第16-17页 |
| 1.2.2 多目标跟踪研究现状 | 第17-18页 |
| 1.3 本文主要研究内容及章节安排 | 第18-21页 |
| 第二章 红外弱小目标检测算法研究 | 第21-35页 |
| 2.1 红外弱小目标与背景特性分析 | 第22-24页 |
| 2.2 红外图像背景抑制算法 | 第24-28页 |
| 2.2.1 基于偏微分方程的方法 | 第24-25页 |
| 2.2.2 P-M各向异性扩散方程 | 第25-27页 |
| 2.2.3 基于四阶偏微分的背景抑制算法 | 第27-28页 |
| 2.3 自适应阈值分割算法 | 第28-29页 |
| 2.4 基于MFPDE的红外弱小目标检测算法 | 第29-31页 |
| 2.5 实验仿真分析 | 第31-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 随机有限集框架下的多目标跟踪 | 第35-47页 |
| 3.1 有限集统计学理论 | 第35-40页 |
| 3.1.1 随机有限集定义 | 第35页 |
| 3.1.2 随机有限集概率密度函数 | 第35-36页 |
| 3.1.3 随机有限集的矩 | 第36页 |
| 3.1.4 随机有限集的概率母泛函 | 第36-38页 |
| 3.1.5 RFS框架下的多目标模型 | 第38-40页 |
| 3.2 贝叶斯滤波理论 | 第40-41页 |
| 3.2.1 单目标贝叶斯滤波器 | 第40页 |
| 3.2.2 多目标最优贝叶斯滤波器 | 第40-41页 |
| 3.3 PHD滤波理论 | 第41-43页 |
| 3.3.1 PHD的定义 | 第41-42页 |
| 3.3.2 PHD滤波器 | 第42-43页 |
| 3.4 基于RFS的多目标跟踪评价指标 | 第43-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 基于PHD和CPHD滤波的多目标跟踪算法研究 | 第47-65页 |
| 4.1 高斯混合PHD滤波器 | 第47-53页 |
| 4.1.1 线性高斯多目标模型 | 第47-48页 |
| 4.1.2 高斯混合PHD递归 | 第48-52页 |
| 4.1.3 GM-PHD滤波器的剪枝与合并 | 第52页 |
| 4.1.4 GM-PHD滤波器的多目标状态估计 | 第52-53页 |
| 4.2 高斯混合CPHD滤波器 | 第53-58页 |
| 4.2.1 CPHD滤波器 | 第53-55页 |
| 4.2.2 高斯混合CPHD递归 | 第55-58页 |
| 4.2.3 GM-CPHD滤波器对目标数目和状态提取 | 第58页 |
| 4.3 实验仿真分析 | 第58-63页 |
| 4.3.1 仿真条件 | 第59-60页 |
| 4.3.2 仿真过程 | 第60-61页 |
| 4.3.3 仿真结果及分析 | 第61-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 基于MFPDE与GM-CPHD的红外多弱小目标检测跟踪算法研究 | 第65-71页 |
| 5.1 红外多弱小目标检测跟踪算法原理 | 第65-66页 |
| 5.2 实验仿真分析 | 第66-70页 |
| 5.2.1 仿真条件及参数设置 | 第66页 |
| 5.2.2 多目标检测跟踪算法的仿真与分析 | 第66-70页 |
| 5.3 本章小节 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-81页 |
