| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 目标跟踪技术的国内外研究现状 | 第10-11页 |
| 1.2.2 多目标跟踪的国内外研究现状 | 第11页 |
| 1.3 课题研究内容与本文结构 | 第11-13页 |
| 第二章 相关滤波算法 | 第13-25页 |
| 2.1 贝叶斯滤波 | 第13-14页 |
| 2.2 经典卡尔曼滤波(KF) | 第14-16页 |
| 2.3 扩展卡尔曼滤波(EKF) | 第16-18页 |
| 2.4 无迹卡尔曼滤波(UKF) | 第18-20页 |
| 2.5 交互式多模型(IMM)算法理论 | 第20-23页 |
| 2.5.1 多模型方法简述 | 第20-22页 |
| 2.5.2 交互式多模型算法 | 第22-23页 |
| 2.6 本章小结 | 第23-25页 |
| 第三章 在LOS/NLOS混合环境下基于HIMM-UKF的机动目标跟踪 | 第25-43页 |
| 3.1 IMM-UKF-CS滤波算法 | 第26-32页 |
| 3.1.1 系统模型 | 第26-27页 |
| 3.1.2 IMM-UKF-CS算法实现 | 第27-29页 |
| 3.1.3 仿真分析 | 第29-32页 |
| 3.2 HIMM-UKF滤波算法 | 第32-41页 |
| 3.2.1 系统模型 | 第32-33页 |
| 3.2.2 HIMM-UKF算法实现 | 第33-36页 |
| 3.2.3 仿真分析 | 第36-41页 |
| 3.3 本章小结 | 第41-43页 |
| 第四章 基于PHD-UKF的多机动目标跟踪 | 第43-58页 |
| 4.1 随机集理论基础 | 第43-44页 |
| 4.2 随机集的概率假设密度(PHD)滤波器 | 第44-46页 |
| 4.3 PHD滤波多目标跟踪性能的评价指标 | 第46-48页 |
| 4.3.1 Hausdorff距离 | 第46页 |
| 4.3.2 Wasserstein距离 | 第46-47页 |
| 4.3.3 最优子模型分配距离(OSPA距离) | 第47-48页 |
| 4.4 基于PHD-UKF滤波算法 | 第48-53页 |
| 4.4.1 前提假设 | 第48-49页 |
| 4.4.2 PHD-UKF滤波算法实现 | 第49-53页 |
| 4.5 仿真与分析 | 第53-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 研究生期间发表的学术论文及成果 | 第65页 |