| 中文摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-20页 |
| ·研究背景及意义 | 第10-12页 |
| ·目标跟踪的背景 | 第10-11页 |
| ·多目标跟踪的意义 | 第11页 |
| ·多目标跟踪的发展 | 第11-12页 |
| ·传统多目标跟踪方法 | 第12-17页 |
| ·单目标跟踪 | 第12-14页 |
| ·多目标跟踪 | 第14-16页 |
| ·基于贝叶斯关联的多目标跟踪的不足 | 第16-17页 |
| ·论文的创新点和结构安排 | 第17-20页 |
| ·论文的创新点 | 第17页 |
| ·论文的结构安排 | 第17-20页 |
| 第二章 相关理论及方法 | 第20-32页 |
| ·引言 | 第20-21页 |
| ·基于随机集的多目标跟踪方法 | 第21-25页 |
| ·随机集统计理论 | 第21-22页 |
| ·随机集多目标跟踪理论 | 第22-24页 |
| ·PHD 滤波算法 | 第24-25页 |
| ·基于boosting 的目标跟踪方法 | 第25-30页 |
| ·集成学习 | 第25-27页 |
| ·离线boosting | 第27-28页 |
| ·在线boosting | 第28-29页 |
| ·基于在线boosting 的目标跟踪算法 | 第29-30页 |
| ·小结 | 第30-32页 |
| 第三章 基于卡尔曼粒子PHD 滤波的多目标跟踪方法 | 第32-44页 |
| ·引言 | 第32页 |
| ·PHD 滤波算法的实现 | 第32-36页 |
| ·混合高斯PHD 滤波 | 第32-35页 |
| ·粒子PHD 滤波 | 第35-36页 |
| ·卡尔曼粒子PHD 滤波 | 第36-39页 |
| ·提议分布 | 第36-38页 |
| ·观测模型 | 第38-39页 |
| ·实验结果与分析 | 第39-43页 |
| ·小结 | 第43-44页 |
| 第四章 基于在线boosting 的两级式多目标关联 | 第44-63页 |
| ·引言 | 第44页 |
| ·OLDAMs 多目标跟踪方法 | 第44-49页 |
| ·样本收集策略 | 第45-46页 |
| ·表观模型 | 第46-47页 |
| ·外观描述子的相似性度量 | 第47-48页 |
| ·学习算法 | 第48-49页 |
| ·基于最佳匹配的二次关联 | 第49-56页 |
| ·二次关联的建模 | 第49-52页 |
| ·连接矩阵的计算 | 第52-54页 |
| ·KM 算法求解最佳匹配 | 第54-56页 |
| ·实验结果与分析 | 第56-61页 |
| ·小结 | 第61-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读学位期间发表论文与研究成果清单 | 第71-73页 |
| 致谢 | 第73页 |