| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-20页 |
| 1.1 目标跟踪问题的研究背景 | 第10-12页 |
| 1.2 视频目标跟踪技术的研究现状 | 第12-13页 |
| 1.2.1 视频目标跟踪技术的发展 | 第12页 |
| 1.2.2 国内外研究现状 | 第12-13页 |
| 1.3 研究方法综述 | 第13-19页 |
| 1.3.1 目标跟踪方法的分类 | 第13-14页 |
| 1.3.2 跟踪算法在光电经纬仪随动测量中的应用 | 第14-19页 |
| 1.4 本文主要内容和结构安排 | 第19-20页 |
| 2 基于贝叶斯统计的目标跟踪理论基础 | 第20-32页 |
| 2.1 图像的颜色空间模型 | 第20-23页 |
| 2.1.1 三原色光模型 | 第20-22页 |
| 2.1.2 HSV颜色空间模型 | 第22-23页 |
| 2.2 颜色空间的统计直方图 | 第23-25页 |
| 2.2.1 统计直方图的概念 | 第23页 |
| 2.2.2 图像区域颜色特征的直方图表示 | 第23-25页 |
| 2.3 状态空间模型与贝叶斯统计推断 | 第25-31页 |
| 2.3.1 系统状态空间模型 | 第25-26页 |
| 2.3.2 贝叶斯统计推断原理 | 第26-28页 |
| 2.3.3 基于贝叶斯统计的递推估计 | 第28-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 卡尔曼滤波器应用于目标跟踪 | 第32-54页 |
| 3.1 贝叶斯滤波的最优准则 | 第32-34页 |
| 3.1.1 基于分布函数最优估计准则 | 第32-33页 |
| 3.1.2 估计量的可计算性 | 第33-34页 |
| 3.2 线性高斯系统的状态最优估计 | 第34-41页 |
| 3.2.1 线性高斯系统的最大后验概率估计 | 第34-38页 |
| 3.2.2 线性高斯系统的最小均方误差估计 | 第38-41页 |
| 3.3 卡尔曼滤波器仿真实验 | 第41-47页 |
| 3.3.1 卡尔曼滤波器的线性系统模型 | 第41-42页 |
| 3.3.2 卡尔曼滤波器视频跟踪算法设计 | 第42-44页 |
| 3.3.3 跟踪软件仿真结果 | 第44-47页 |
| 3.4 非线性系统中的递推估计 | 第47-53页 |
| 3.4.1 扩展卡尔曼滤波 | 第48-51页 |
| 3.4.2 无迹卡尔曼滤波 | 第51-53页 |
| 3.5 本章小结 | 第53-54页 |
| 4 粒子滤波器应用于目标跟踪 | 第54-92页 |
| 4.1 粒子滤波算法的理论基础 | 第54-73页 |
| 4.1.1 蒙特卡罗方法与重要性采样 | 第54-64页 |
| 4.1.2 顺序蒙特卡罗方法 | 第64-68页 |
| 4.1.3 粒子退化及优化策略 | 第68-73页 |
| 4.2 基于颜色特征判别的BOOTSTRAP跟踪 | 第73-91页 |
| 4.2.1 视频图像目标的状态空间模型 | 第73-75页 |
| 4.2.3 基于色度直方图的判别特征函数目标量测模型 | 第75-79页 |
| 4.2.4 目标跟踪算法设计 | 第79页 |
| 4.2.5 仿真实验结果 | 第79-91页 |
| 4.3 本章小结 | 第91-92页 |
| 5 总结与展望 | 第92-94页 |
| 5.1 本文工作总结 | 第92页 |
| 5.2 未来工作展望 | 第92-94页 |
| 参考文献 | 第94-98页 |
| 作者简介及在学期间发表的学术论文与研究成果 | 第98-100页 |
| 附录 | 第100-112页 |
| 附录 1：基于贝叶斯统计的递推估计理论 | 第100-102页 |
| 附录 2：线性系统状态最优估计 | 第102-105页 |
| 附录 3：多维高斯变量联合分布和条件分布的两个性质 | 第105-106页 |
| 附录 4：UKF理论推导 | 第106-109页 |
| 附录 5：伪代码描述粒子滤波算法 | 第109-112页 |