固定场景中运动目标检测与运动估计跟踪
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪言 | 第12-19页 |
| 1.1 课题研究的背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 运动目标检测现状 | 第13-14页 |
| 1.2.2 运动目标跟踪现状 | 第14-17页 |
| 1.3 论文主要内容 | 第17-19页 |
| 2 改进GMM的运动目标检测 | 第19-46页 |
| 2.1 运动目标检测 | 第19-20页 |
| 2.2 帧差分法 | 第20-24页 |
| 2.3 背景差分法 | 第24-30页 |
| 2.4 数学形态学处理方法 | 第30-33页 |
| 2.5 基于边缘特征的改进GMM目标检测 | 第33-45页 |
| 2.5.1 极小核值相似区边缘特征描述子 | 第33-35页 |
| 2.5.2 改进分析 | 第35-37页 |
| 2.5.3 算法流程 | 第37-39页 |
| 2.5.4 仿真结果及分析 | 第39-45页 |
| 2.6 本章小结 | 第45-46页 |
| 3 Kalman滤波的运动估计跟踪 | 第46-64页 |
| 3.1 运动目标模型集 | 第47-48页 |
| 3.2 贝叶斯滤波框架和常规Kalman滤波 | 第48-51页 |
| 3.3 无迹Kalman滤波 | 第51-57页 |
| 3.3.1 无迹Kalman滤波原理 | 第52-54页 |
| 3.3.2 无迹Kalman滤波仿真分析 | 第54-57页 |
| 3.4 交互多模型滤波算法 | 第57-62页 |
| 3.4.1 交互多模型滤波原理 | 第57-59页 |
| 3.4.2 交互多模型滤波仿真分析 | 第59-62页 |
| 3.5 UKF与IMM结合性能分析 | 第62-63页 |
| 3.6 本章小结 | 第63-64页 |
| 4 IMM自适应采样周期跟踪算法 | 第64-75页 |
| 4.1 自适应采样周期方法 | 第64-65页 |
| 4.1.1 公式法 | 第64-65页 |
| 4.1.2 递推法 | 第65页 |
| 4.2 基于融合特征的自适应采样周期算法 | 第65-68页 |
| 4.2.1 行人姿态特征 | 第65-67页 |
| 4.2.2 算法流程 | 第67-68页 |
| 4.3 滤波器设计与性能评估标准 | 第68-70页 |
| 4.4 仿真结果及分析 | 第70-74页 |
| 4.4.1 蒙特卡洛定量分析 | 第70-72页 |
| 4.4.2 均值漂移定性分析 | 第72-74页 |
| 4.5 本章小结 | 第74-75页 |
| 5 总结与展望 | 第75-76页 |
| 5.1 总结 | 第75页 |
| 5.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第80-81页 |
| 致谢 | 第81页 |
