| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状与进展 | 第13-19页 |
| 1.2.1 多目标跟踪技术 | 第15-16页 |
| 1.2.2 多传感器目标信息融合技术 | 第16-19页 |
| 1.3 本文主要研究内容及章节安排 | 第19-20页 |
| 1.4 本章小结 | 第20-21页 |
| 第2章 多目标跟踪数据关联算法 | 第21-41页 |
| 2.1 多目标跟踪基本原理 | 第21-22页 |
| 2.2 机动目标运动模型建立 | 第22-29页 |
| 2.2.1 运动模型基本原理 | 第23-24页 |
| 2.2.2 匀速运动模型 | 第24-26页 |
| 2.2.3 匀加速运动模型 | 第26-28页 |
| 2.2.4 联动转弯模型 | 第28-29页 |
| 2.3 数据关联算法 | 第29-39页 |
| 2.3.1 联合概率数据关联算法 | 第29-34页 |
| 2.3.2 多假设跟踪算法 | 第34-39页 |
| 2.4 本章小结 | 第39-41页 |
| 第3章 多目标跟踪非线性状态估计方法 | 第41-67页 |
| 3.1 贝叶斯滤波原理 | 第41-42页 |
| 3.2 非线性卡尔曼滤波算法 | 第42-55页 |
| 3.2.1 扩展卡尔曼滤波 | 第42-44页 |
| 3.2.2 无迹卡尔曼滤波 | 第44-50页 |
| 3.2.3 容积卡尔曼滤波 | 第50-55页 |
| 3.3 粒子滤波 | 第55-58页 |
| 3.3.1 序贯重要性采样 | 第55-57页 |
| 3.3.2 重采样方法 | 第57-58页 |
| 3.4 非线性状态估计方法滤波精度分析 | 第58-60页 |
| 3.5 基于平方根容积卡尔曼的非线性多目标跟踪算法 | 第60-65页 |
| 3.5.1 平方根容积联合概率数据关联 | 第60-63页 |
| 3.5.2 自适应跟踪门 | 第63-65页 |
| 3.6 本章小结 | 第65-67页 |
| 第4章 多传感器目标融合算法 | 第67-87页 |
| 4.1 多传感器目标关联算法 | 第67-76页 |
| 4.1.1 基于统计理论的多传感器目标关联算法 | 第67-72页 |
| 4.1.2 基于最优分配的多传感器目标关联算法 | 第72-73页 |
| 4.1.3 基于模糊数学的多传感器目标关联算法 | 第73-74页 |
| 4.1.4 基于灰色理论的多传感器目标关联算法 | 第74-76页 |
| 4.2 多传感器目标融合算法 | 第76-84页 |
| 4.2.1 集中式融合系统 | 第76-79页 |
| 4.2.2 分布式融合系统 | 第79-84页 |
| 4.3 基于误差协方差的多传感器融合算法 | 第84-86页 |
| 4.3.1 智能车辆车载多传感器坐标转换 | 第84-85页 |
| 4.3.2 基于协方差的多传感器目标关联融合算法 | 第85-86页 |
| 4.4 本章小结 | 第86-87页 |
| 第5章 多传感器多目标跟踪融合算法及试验验证 | 第87-97页 |
| 5.1 智能车辆多传感器多目标跟踪融合架构 | 第87页 |
| 5.2 仿真结果 | 第87-96页 |
| 5.2.1 基于平方根容积卡尔曼的非线性多目标跟踪算法仿真验证 | 第89-94页 |
| 5.2.2 基于误差协方差的多传感器目标关联融合算法仿真验证 | 第94-96页 |
| 5.3 本章小结 | 第96-97页 |
| 第6章 总结与展望 | 第97-99页 |
| 6.1 全文总结 | 第97-98页 |
| 6.2 研究展望 | 第98-99页 |
| 参考文献 | 第99-109页 |
| 作者简介及在学期间所取得的科研成果 | 第109-110页 |
| 致谢 | 第110页 |
