| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-17页 |
| ·课题背景及研究意义 | 第9-10页 |
| ·国内外相关研究综述 | 第10-16页 |
| ·视觉目标跟踪研究概述 | 第10-14页 |
| ·老鼠及动物跟踪研究概述 | 第14-16页 |
| ·本文研究内容 | 第16-17页 |
| 第2章 基于蒙特卡罗的贝叶斯滤波－粒子滤波 | 第17-29页 |
| ·引言 | 第17页 |
| ·贝叶斯滤波 | 第17-20页 |
| ·贝叶斯法则 | 第17-18页 |
| ·动态系统的状态空间 | 第18-19页 |
| ·贝叶斯滤波的基本原理 | 第19-20页 |
| ·粒子滤波基本原理 | 第20-24页 |
| ·重要性采样 | 第20-21页 |
| ·粒子滤波思想 | 第21-24页 |
| ·粒子滤波收敛性证明 | 第24-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于粒子滤波的单目标跟踪 | 第29-44页 |
| ·引言 | 第29页 |
| ·颜色空间 | 第29-31页 |
| ·加权的颜色直方图 | 第31-34页 |
| ·HSV空间加权颜色直方图 | 第32-33页 |
| ·权值的设定 | 第33-34页 |
| ·粒子滤波算法的融合 | 第34-39页 |
| ·融合PF后的算法流程 | 第34-35页 |
| ·重采样技术 | 第35-37页 |
| ·粒子状态转移 | 第37-39页 |
| ·实验结果及分析 | 第39-42页 |
| ·本章小节 | 第42-44页 |
| 第4章 基于Bayesian Multi-Blob的多目标跟踪 | 第44-67页 |
| ·引言 | 第44页 |
| ·观察模型 | 第44-47页 |
| ·状态向量 | 第44-45页 |
| ·观察模型 | 第45-47页 |
| ·观察模型的训练 | 第47-52页 |
| ·背景观察模型 | 第47-50页 |
| ·前景观察模型 | 第50页 |
| ·模型的测试及结果 | 第50-52页 |
| ·动态模型 | 第52-56页 |
| ·一阶自回归过程 | 第52-54页 |
| ·二阶自回归过程 | 第54-55页 |
| ·试验中动态模型设定 | 第55-56页 |
| ·融合PF的多目标跟踪 | 第56-58页 |
| ·实验结果及分析 | 第58-66页 |
| ·本章小节 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 哈尔滨工业大学硕士学位论文原创性声明 | 第73页 |
| 哈尔滨工业大学硕士学位论文使用授权书 | 第73页 |
| 哈尔滨工业大学硕士学位涉密论文管理 | 第73-74页 |
| 致谢 | 第74页 |