| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.3 本文主要研究内容 | 第16-18页 |
| 第2章 多传感器多目标跟踪理论基础 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 目标跟踪基本理论 | 第18-21页 |
| 2.2.1 目标跟踪系统模型 | 第18-19页 |
| 2.2.2 基本卡尔曼滤波器 | 第19页 |
| 2.2.3 贝叶斯滤波 | 第19-20页 |
| 2.2.4 随机有限集基本理论 | 第20-21页 |
| 2.3 概率假设密度滤波原理 | 第21-24页 |
| 2.3.1 基于随机有限集的贝叶斯滤波框架 | 第21-22页 |
| 2.3.2 概率假设密度滤波器 | 第22页 |
| 2.3.3 GM-PHD滤波器的实现算法 | 第22-24页 |
| 2.4 多传感器数据融合 | 第24-26页 |
| 2.4.1 集中式融合 | 第25页 |
| 2.4.2 分布式融合 | 第25-26页 |
| 2.4.3 混合式融合 | 第26页 |
| 2.5 异步时间配准方法 | 第26-29页 |
| 2.5.1 拉格朗日插值法 | 第27-28页 |
| 2.5.2 最小二乘曲线拟合法 | 第28-29页 |
| 2.6 小结 | 第29-30页 |
| 第3章 同步多传感器多级融合多目标跟踪方法 | 第30-39页 |
| 3.1 引言 | 第30-31页 |
| 3.2 问题描述 | 第31-32页 |
| 3.2.1 目标动态模型 | 第31页 |
| 3.2.2 传感器量测模型 | 第31页 |
| 3.2.3 杂波模型 | 第31-32页 |
| 3.3 多传感器多目标融合算法 | 第32-35页 |
| 3.3.1 概率假设密度滤波理论 | 第32页 |
| 3.3.2 多传感器多级融合框架 | 第32-34页 |
| 3.3.3 多传感器PHD多目标融合方法 | 第34-35页 |
| 3.4 仿真实验 | 第35-36页 |
| 3.5 实验结果分析 | 第36-38页 |
| 3.6 小结 | 第38-39页 |
| 第4章 异步多传感器多目标跟踪方法 | 第39-51页 |
| 4.1 引言 | 第39页 |
| 4.2 问题描述 | 第39-41页 |
| 4.2.1 采样描述 | 第39-40页 |
| 4.2.2 目标的动态模型 | 第40页 |
| 4.2.3 传感器量测模型 | 第40-41页 |
| 4.2.4 杂波模型 | 第41页 |
| 4.3 多异步传感器融合多目标跟踪方法 | 第41-43页 |
| 4.3.1 GM-PHD滤波实现方法 | 第41-42页 |
| 4.3.2 状态关联算法 | 第42页 |
| 4.3.3 凸组合融合算法 | 第42-43页 |
| 4.4 基于顺序量测的异步多传感器融合方法 | 第43-45页 |
| 4.4.1 TSBF融合框架 | 第43-44页 |
| 4.4.2 多传感器量测数据时间同步方法 | 第44-45页 |
| 4.5 基于GM-PHD估计的多异步传感器融合方法 | 第45-47页 |
| 4.5.1 FBTS融合框架 | 第45-46页 |
| 4.5.2 多传感器PHD时间同步方法 | 第46-47页 |
| 4.6 仿真实验 | 第47-48页 |
| 4.7 仿真结果分析 | 第48-50页 |
| 4.8 小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 附录 | 第60页 |