摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
1 绪论 | 第10-18页 |
1.1 研究背景及意义 | 第10-11页 |
1.2 遮挡目标跟踪的国内外研究现状 | 第11-14页 |
1.2.1 典型遮挡目标跟踪方法 | 第12-14页 |
1.2.2 基于人工智能策略遮挡目标跟踪方法 | 第14页 |
1.3 本文结构安排 | 第14-18页 |
2 目标运动建模与状态估计方法 | 第18-28页 |
2.1 引言 | 第18页 |
2.2 目标运动模型 | 第18-21页 |
2.2.1 匀速直线模型 | 第19页 |
2.2.2 匀加速直线模型 | 第19-20页 |
2.2.3 平面匀速转弯模型 | 第20-21页 |
2.3 目标状态估计方法 | 第21-26页 |
2.3.1 基于滤波器设计的状态估计算法 | 第21-24页 |
2.3.2 基于神经网络的目标运动估计方法 | 第24-25页 |
2.3.3 准确度和稳定性衡量 | 第25-26页 |
2.4 小结 | 第26-28页 |
3 基于预测-重匹配策略的抗遮挡目标跟踪算法 | 第28-42页 |
3.1 引言 | 第28页 |
3.2 算法设计 | 第28-32页 |
3.2.1 MeanShift算法 | 第28-30页 |
3.2.2 归一化互相关匹配策略 | 第30页 |
3.2.3 卡尔曼滤波框架下目标的跟踪和估计 | 第30-32页 |
3.3 算法实现 | 第32-33页 |
3.4 仿真实验与分析 | 第33-41页 |
3.4.1 简单场景 | 第34-36页 |
3.4.2 复杂场景 | 第36-38页 |
3.4.3 算法性能分析 | 第38-41页 |
3.5 小结 | 第41-42页 |
4 基于ICKF-RBF神经网络的视频目标跟踪算法 | 第42-62页 |
4.1 引言 | 第42页 |
4.2 算法设计 | 第42-46页 |
4.2.1 RBF神经网络状态空间模型 | 第43页 |
4.2.2 牛顿-高斯迭代策略 | 第43-45页 |
4.2.3 ICKF学习策略 | 第45-46页 |
4.3 算法实现 | 第46-50页 |
4.4 仿真实验与分析 | 第50-60页 |
4.4.1 未遮挡场景 | 第50-52页 |
4.4.2 遮挡场景 | 第52-60页 |
4.5 小结 | 第60-62页 |
5 总结与展望 | 第62-64页 |
5.1 总结 | 第62-63页 |
5.2 展望 | 第63-64页 |
参考文献 | 第64-68页 |
致谢 | 第68-69页 |
攻读学位期间的科研成果 | 第69-70页 |