| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 多目标跟踪国内外研究现状 | 第11-15页 |
| 1.2.1 基于数据关联的多目标跟踪 | 第11-13页 |
| 1.2.2 基于随机有限集的多目标跟踪 | 第13-15页 |
| 1.3 本文主要研究内容与章节安排 | 第15-18页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 章节安排 | 第16-18页 |
| 第2章 多目标跟踪技术基础 | 第18-34页 |
| 2.1 引言 | 第18页 |
| 2.2 机动目标运动模型 | 第18-23页 |
| 2.2.1 匀速模型和匀加速模型 | 第18-19页 |
| 2.2.2 转弯模型 | 第19-20页 |
| 2.2.3 “当前”统计模型 | 第20页 |
| 2.2.4 交互式多模型 | 第20-23页 |
| 2.3 几种经典的滤波算法 | 第23-29页 |
| 2.3.1 贝叶斯滤波算法 | 第23-25页 |
| 2.3.2 卡尔曼滤波算法 | 第25-26页 |
| 2.3.3 粒子滤波算法 | 第26-29页 |
| 2.4 随机有限集理论 | 第29-33页 |
| 2.4.1 随机有限集的定义 | 第29-30页 |
| 2.4.2 集积分与集导数 | 第30-31页 |
| 2.4.3 基于随机集的多目标跟踪技术性能指标 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于随机有限集理论的多目标跟踪算法 | 第34-56页 |
| 3.1 引言 | 第34页 |
| 3.2 多目标跟踪中的随机有限集 | 第34-39页 |
| 3.2.1 多目标运动模型 | 第36-37页 |
| 3.2.2 多目标量测模型 | 第37-38页 |
| 3.2.3 多目标跟踪中的贝叶斯滤波 | 第38-39页 |
| 3.3 概率假设密度(PHD)滤波 | 第39-48页 |
| 3.3.1 概率假设密度滤波基本原理 | 第39-41页 |
| 3.3.2 概率假设密度滤波算法实现 | 第41-48页 |
| 3.4 带势的概率假设密度(CPHD)滤波 | 第48-52页 |
| 3.4.1 带势的概率假设密度滤波基本原理 | 第49-50页 |
| 3.4.2 带势的概率假设密度滤波算法步骤 | 第50-52页 |
| 3.5 仿真实验与结果分析 | 第52-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第4章 自适应目标新生强度的高斯混合PHD滤波器 | 第56-67页 |
| 4.1 引言 | 第56-57页 |
| 4.2 自适应目标新生强度的GM-PHD滤波算法 | 第57-62页 |
| 4.2.1 扩展状态PHD | 第57-58页 |
| 4.2.2 ATBI-GMPHD算法步骤 | 第58-62页 |
| 4.3 仿真实验与结果分析 | 第62-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第5章 改进的多扩展机动目标高斯混合PHD算法研究 | 第67-82页 |
| 5.1 引言 | 第67-68页 |
| 5.2 扩展目标PHD滤波算法与其高斯实现步骤 | 第68-72页 |
| 5.2.1 扩展目标PHD滤波算法基本框架 | 第68-70页 |
| 5.2.2 扩展目标高斯混合PHD滤波算法实现步骤 | 第70-72页 |
| 5.3 基于交互式多模型的ET-GMPHD滤波器 | 第72-77页 |
| 5.3.1 基于交互式多模型的ET-GMPHD滤波算法步骤 | 第72-75页 |
| 5.3.2 高斯分量标识法 | 第75-77页 |
| 5.4 仿真实验与结果分析 | 第77-81页 |
| 5.5 本章小结 | 第81-82页 |
| 结论 | 第82-84页 |
| 参考文献 | 第84-90页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第90-91页 |
| 致谢 | 第91页 |
