基于粒子滤波的自适应目标跟踪算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 研究现状和存在的主要问题 | 第13-15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文章节内容安排 | 第16-18页 |
| 第2章 运动目标跟踪的基本理论 | 第18-35页 |
| 2.1 主流目标跟踪算法概述 | 第18-26页 |
| 2.1.1 灰度模板匹配 | 第18-19页 |
| 2.1.2 光流跟踪 | 第19-21页 |
| 2.1.3 均值漂移跟踪 | 第21-23页 |
| 2.1.4 视觉增量跟踪 | 第23-24页 |
| 2.1.5 多示例学习跟踪 | 第24-26页 |
| 2.2 目标的描述 | 第26-30页 |
| 2.2.1 全局特征 | 第26-28页 |
| 2.2.2 局部特征 | 第28-30页 |
| 2.3 目标搜索的模式 | 第30-32页 |
| 2.4 目标跟踪的常用评价指标 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于粒子滤波的目标跟踪方法 | 第35-46页 |
| 3.1 贝叶斯估计理论 | 第35-37页 |
| 3.2 粒子滤波跟踪的原理 | 第37-39页 |
| 3.3 粒子退化与重采样算法 | 第39-42页 |
| 3.4 目标跟踪的模型建立 | 第42-45页 |
| 3.4.1 运动模型 | 第42-43页 |
| 3.4.2 观测模型 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 自适应免疫粒子滤波跟踪算法 | 第46-64页 |
| 4.1 智能算法简述 | 第46-47页 |
| 4.2 人工免疫算法 | 第47-49页 |
| 4.3 改进的粒子滤波跟踪算法 | 第49-54页 |
| 4.3.1 自适应目标模型 | 第50-51页 |
| 4.3.2 似然计算方法 | 第51-52页 |
| 4.3.3 抗体变异与记忆库 | 第52-54页 |
| 4.4 实验与分析 | 第54-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第5章 快速多目标跟踪关联算法 | 第64-77页 |
| 5.1 多目标跟踪问题 | 第64-65页 |
| 5.2 目标关联算法 | 第65-68页 |
| 5.3 特殊情况的处理 | 第68-70页 |
| 5.4 实验与分析 | 第70-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 工作总结 | 第77-78页 |
| 6.2 未来展望 | 第78-79页 |
| 参考文献 | 第79-86页 |
| 作者简介及在学期间所取得的科研成果 | 第86-87页 |
| 致谢 | 第87页 |
