| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究动态 | 第11-14页 |
| 1.2.1 无源毫米波探测系统发展与应用 | 第11-13页 |
| 1.2.2 目标跟踪技术的发展与应用 | 第13-14页 |
| 1.3 图像序列目标跟踪难点分析 | 第14页 |
| 1.4 本论文的主要研究内容及章节安排 | 第14-17页 |
| 第二章 无源毫米波图像跟踪基础理论 | 第17-24页 |
| 2.1 无源毫米波成像理论 | 第17-19页 |
| 2.2 基于图像序列的目标跟踪方法 | 第19-20页 |
| 2.3 毫米波成像模型建立 | 第20-23页 |
| 2.4 本章总结 | 第23-24页 |
| 第三章 基于均值漂移的图像目标跟踪算法研究 | 第24-38页 |
| 3.1 非参数核密度估计理论 | 第24-26页 |
| 3.2 均值漂移算法理论 | 第26-28页 |
| 3.3 均值漂移算法在目标跟踪中的应用 | 第28-31页 |
| 3.3.1 目标模型建立 | 第28-29页 |
| 3.3.2 候选目标模型 | 第29页 |
| 3.3.3 相似性度量函数 | 第29-30页 |
| 3.3.4 均值漂移跟踪算法描述 | 第30-31页 |
| 3.4 实验结果与分析 | 第31-37页 |
| 3.4.1 目标特征模型建立 | 第31-34页 |
| 3.4.2 光学图像序列目标跟踪结果与分析 | 第34-35页 |
| 3.4.3 毫米波图像序列目标跟踪结果与分析 | 第35-37页 |
| 3.5 本章总结 | 第37-38页 |
| 第四章 基于粒子滤波的毫米波图像目标跟踪算法研究 | 第38-59页 |
| 4.1 粒子滤波理论 | 第38-44页 |
| 4.1.1 贝叶斯滤波理论 | 第38-39页 |
| 4.1.2 蒙特卡洛采样 | 第39-40页 |
| 4.1.3 序列重要性采样 | 第40-42页 |
| 4.1.4 重采样原理 | 第42-43页 |
| 4.1.5 粒子滤波算法描述 | 第43-44页 |
| 4.2 粒子滤波理论在目标跟踪中的应用 | 第44-47页 |
| 4.2.1 系统状态空间和动态模型 | 第44-46页 |
| 4.2.2 目标模型的建立与观测概率的描述 | 第46-47页 |
| 4.2.3 基于粒子滤波的目标跟踪算法 | 第47页 |
| 4.3 基于免疫优化的粒子滤波目标跟踪算法 | 第47-51页 |
| 4.3.1 人工免疫原理 | 第48-49页 |
| 4.3.2 免疫遗传优化粒子滤波跟踪算法 | 第49-51页 |
| 4.4 实验结果与分析 | 第51-58页 |
| 4.4.1 一维数据粒子滤波估计分析 | 第51-52页 |
| 4.4.2 标准粒子滤波跟踪结果与分析 | 第52-55页 |
| 4.4.3 嵌入免疫优化算法的粒子滤波算法结果与分析 | 第55-56页 |
| 4.4.4 改进的免疫优化粒子滤波目标跟踪算法结果与分析 | 第56-58页 |
| 4.5 本章总结 | 第58-59页 |
| 第五章 多目标跟踪算法研究 | 第59-72页 |
| 5.1 多目标跟踪及其系统模型描述 | 第59-60页 |
| 5.2 目标检测方法 | 第60-63页 |
| 5.2.1 减背景技术 | 第60-61页 |
| 5.2.2 码本模型背景建模 | 第61-63页 |
| 5.3 数据关联算法 | 第63-66页 |
| 5.3.1 最近邻数据关联 | 第63-64页 |
| 5.3.2 概率数据关联 | 第64-65页 |
| 5.3.3 联合数据关联 | 第65-66页 |
| 5.4 基于改进的最近邻匹配的粒子滤波多目标跟踪 | 第66-68页 |
| 5.5 仿真结果与分析 | 第68-71页 |
| 5.5.1 光学图像多目标跟踪结果与分析 | 第68-69页 |
| 5.5.2 毫米波图像多目标跟踪结果与分析 | 第69-71页 |
| 5.6 本章总结 | 第71-72页 |
| 第六章 工作总结与展望 | 第72-74页 |
| 6.1 工作总结 | 第72-73页 |
| 6.2 工作展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 攻读硕士学位期间的研究成果 | 第78-79页 |