| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景、目的及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 国外现状 | 第11-14页 |
| 1.2.2 国内现状 | 第14页 |
| 1.2.3 发展趋势 | 第14-15页 |
| 1.3 论文的主要研究内容 | 第15-17页 |
| 第二章 基于标签多伯努利滤波器的多目标跟踪理论 | 第17-30页 |
| 2.1 引言 | 第17页 |
| 2.2 标签随机有限集 | 第17-19页 |
| 2.3 基于GLMB滤波器的多目标跟踪 | 第19-24页 |
| 2.3.1 GLMB滤波器的先验形式 | 第19-21页 |
| 2.3.2 GLMB滤波器滤波算法 | 第21-24页 |
| 2.4 基于δ-GLMB滤波器的多目标跟踪 | 第24-26页 |
| 2.4.1 δ-GLMB滤波器的先验形式 | 第24-25页 |
| 2.4.2 δ-GLMB滤波器滤波算法 | 第25-26页 |
| 2.5 基于LMB滤波器的多目标跟踪 | 第26-28页 |
| 2.5.1 LMB滤波器的先验形式 | 第26页 |
| 2.5.2 LMB滤波器滤波算法 | 第26-28页 |
| 2.6 基于边缘化的δ-GLMB滤波器的多目标跟踪 | 第28-29页 |
| 2.6.1 边缘化的δ-GLMB滤波器的先验形式 | 第28页 |
| 2.6.2 边缘化的δ-GLMB滤波器滤波算法 | 第28-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于δ-GLMB滤波器的多目标跟踪算法实现 | 第30-48页 |
| 3.1 引言 | 第30页 |
| 3.2 δ-GLMB滤波器的多目标跟踪滤波参数准备 | 第30-34页 |
| 3.2.1 定义滤波参数 | 第31-32页 |
| 3.2.2 获取目标状态 | 第32-33页 |
| 3.2.3 获取目标量测 | 第33-34页 |
| 3.3 基于δ-GLMB滤波器的多目标跟踪算法高斯混合实现 | 第34-43页 |
| 3.3.1 最短路径截断预测加权和 | 第35-36页 |
| 3.3.2 高斯混合实现预测过程 | 第36-39页 |
| 3.3.3 排名分配截断更新加权和 | 第39-40页 |
| 3.3.4 高斯混合实现更新过程 | 第40-43页 |
| 3.4 仿真结果与分析 | 第43-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 降低复杂度的δ-GLMB滤波器的多目标跟踪算法 | 第48-62页 |
| 4.1 引言 | 第48页 |
| 4.2 基于δ-GLMB滤波器的多目标跟踪优化算法 | 第48-52页 |
| 4.2.1 联合预测更新 | 第48-49页 |
| 4.2.2 Gibbs抽样截断处理 | 第49-52页 |
| 4.3 降低复杂度的δ-GLMB滤波算法高斯混合实现 | 第52-56页 |
| 4.3.1 滤波算法高斯混合实现的任务 | 第52-53页 |
| 4.3.2 滤波算法实现 | 第53-56页 |
| 4.4 仿真结果与分析 | 第56-61页 |
| 4.4.1 本章算法与δ-GLMB滤波器算法对比 | 第56-60页 |
| 4.4.2 排名分配截断和Gibbs抽样截断结果对比 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70页 |
