| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题研究的背景及意义 | 第9-10页 |
| ·国内外研究现状及存在的问题 | 第10-13页 |
| ·论文的研究内容和结构安排 | 第13-14页 |
| 第二章 序列图像中的运动目标检测 | 第14-20页 |
| ·基于背景相减法的目标检测 | 第14-15页 |
| ·基于帧差法的目标检测 | 第15页 |
| ·基于帧间增量的背景相减目标检测 | 第15-17页 |
| ·基本原理 | 第15-17页 |
| ·处理流程 | 第17页 |
| ·仿真结果 | 第17-20页 |
| 第三章 运动目标跟踪方法 | 第20-48页 |
| ·运动目标模型 | 第20-24页 |
| ·CV 和 CA 模型 | 第20-21页 |
| ·时间相关模型 | 第21-22页 |
| ·半马尔可夫模型 | 第22-23页 |
| ·Noval 统计模型 | 第23页 |
| ·“当前”统计模型 | 第23-24页 |
| ·卡尔曼滤波跟踪 | 第24-31页 |
| ·标准卡尔曼滤波器 | 第25-26页 |
| ·扩展卡尔曼滤波器 | 第26-27页 |
| ·无迹卡尔曼滤波器 | 第27-29页 |
| ·基于“当前”统计模型的卡尔曼滤波跟踪 | 第29-31页 |
| ·粒子滤波跟踪 | 第31-41页 |
| ·贝叶斯估计和蒙特卡罗采样 | 第32-35页 |
| ·一般粒子滤波跟踪 | 第35-41页 |
| ·算法仿真 | 第41-48页 |
| 第四章 粒子滤波多目标跟踪 | 第48-76页 |
| ·概述 | 第48-53页 |
| ·多目标跟踪问题 | 第48-50页 |
| ·JPDA 多目标跟踪的数据关联 | 第50-53页 |
| ·Rao-Blackwellization 粒子滤波算法 | 第53-63页 |
| ·Rao-Blackwell 理论 | 第54-56页 |
| ·递归贝叶斯估计 | 第56页 |
| ·线性高斯子结构 | 第56-57页 |
| ·基本 Rao-Blackwellization 粒子滤波 | 第57-58页 |
| ·基于滤波器组的 Rao-Blackwellization 粒子滤波 | 第58-63页 |
| ·RBPF 方案的比较 | 第63页 |
| ·滤波器组 Rao-Blackwellized MHT 粒子滤波算法 | 第63-68页 |
| ·算法描述 | 第63-64页 |
| ·MHT 数据关联模型 | 第64-67页 |
| ·最优重要性分布的估计和采样 | 第67-68页 |
| ·算法实现 | 第68页 |
| ·仿真结果 | 第68-75页 |
| ·小结 | 第75-76页 |
| 第五章 总结和展望 | 第76-77页 |
| ·总结 | 第76页 |
| ·展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 附录 | 第82页 |
