| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 引言 | 第8-10页 |
| 1 绪论 | 第10-17页 |
| ·研究背景与意义 | 第10-11页 |
| ·国内外研究状况和动态 | 第11-15页 |
| ·研究现状小结 | 第14-15页 |
| ·本文的主要研究工作与内容安排 | 第15-17页 |
| 2 粒子滤波（Particle Filter PF）原理 | 第17-31页 |
| ·贝叶斯滤波原理 | 第17-19页 |
| ·蒙特卡洛方法 | 第19-23页 |
| ·蒙特卡罗方法的基本原理及思想 | 第20-21页 |
| ·蒙特卡洛方法的特点 | 第21页 |
| ·贝叶斯重要性采样 | 第21-23页 |
| ·粒子滤波算法 | 第23-30页 |
| ·粒子滤波器基本原理 | 第23-24页 |
| ·序贯粒子滤波算法(Sequential Importance Sampling(SIS)) | 第24-25页 |
| ·重要性函数的选取 | 第25-26页 |
| ·退化现象 | 第26-27页 |
| ·重采样原理 | 第27-29页 |
| ·粒子滤波算法描述 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 3 典型的改进粒子滤波算法 | 第31-38页 |
| ·基于MCMC 改进策略的算法 | 第31-32页 |
| ·Unscented 粒子滤波器(UPF) | 第32-33页 |
| ·辅助粒子滤波器(APF) | 第33-34页 |
| ·Rao-Blackwellised 粒子滤波器(RBPF) | 第34-35页 |
| ·正则化粒子滤波器(RPF) | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 4 基于颜色和目标空间信息特征的粒子滤波跟踪算法 | 第38-47页 |
| ·系统状态空间和动态模型的建立 | 第38-39页 |
| ·系统观测模型 | 第39-41页 |
| ·颜色模型的选择及相似性度量 | 第39-40页 |
| ·空间结构模型的建立 | 第40-41页 |
| ·粒子的权值评价 | 第41-42页 |
| ·目标模板更新 | 第42-43页 |
| ·粒子重采样 | 第43页 |
| ·改进的粒子滤波算法跟踪流程 | 第43-44页 |
| ·实验结果与分析 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 5 嵌入卡尔曼预测器的粒子滤波目标跟踪算法 | 第47-56页 |
| ·卡尔曼滤波 | 第47-49页 |
| ·包含卡尔曼预测器的粒子动态传播模型 | 第49-50页 |
| ·系统观测模型的建立 | 第50-51页 |
| ·算法实现跟踪流程 | 第51-54页 |
| ·实验结果 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| ·本文工作总结 | 第56-57页 |
| ·研究工作展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 在学研究成果 | 第63-64页 |
| 致谢 | 第64页 |
