| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文的主要工作 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-17页 |
| 2 相关工作 | 第17-35页 |
| 2.1 运动目标检测跟踪相关理论和方法研究 | 第17-23页 |
| 2.1.1 多目标检测与跟踪的发展 | 第17-18页 |
| 2.1.2 运动目标检测与跟踪法 | 第18-22页 |
| 2.1.3 多目标检测技术跟踪难点 | 第22-23页 |
| 2.2 基于轨迹的相似性度量 | 第23-28页 |
| 2.2.1 时空轨迹数据 | 第23-24页 |
| 2.2.2 时空轨迹定义 | 第24页 |
| 2.2.3 时空轨迹模型 | 第24页 |
| 2.2.4 时空轨迹 | 第24-28页 |
| 2.3 聚类分析 | 第28-34页 |
| 2.3.1 聚类定义 | 第29页 |
| 2.3.2 聚类分析中的基本过程 | 第29-30页 |
| 2.3.3 主要聚类算法分析及比较 | 第30-34页 |
| 2.4 本章小结 | 第34-35页 |
| 3 基于双向速度的预判轨迹拟合的个体跟踪 | 第35-52页 |
| 3.1 多目标检测与跟踪流程 | 第35-36页 |
| 3.2 卡尔曼滤波理论基础 | 第36-38页 |
| 3.2.1 卡尔曼滤波原理的特点 | 第36-37页 |
| 3.2.2 在目标跟踪中的卡尔曼滤波与预测基本方程 | 第37-38页 |
| 3.3 匈牙利算法理论基础 | 第38-40页 |
| 3.4 双向速度的预判轨迹拟合跟踪 | 第40-45页 |
| 3.5 实验结果评价与分析 | 第45-51页 |
| 3.5.1 实验的关键参数设置 | 第45-47页 |
| 3.5.2 实验数据 | 第47-48页 |
| 3.5.3 实验效果及对比 | 第48-51页 |
| 3.6 本章小结 | 第51-52页 |
| 4 基于自适应聚类算法的小群体检测与跟踪 | 第52-65页 |
| 4.1 轨迹相似性测量 | 第52-54页 |
| 4.1.1 基于时间全区间相似的聚类方法 | 第52-53页 |
| 4.1.2 基于多子区间相似的聚类方法 | 第53页 |
| 4.1.3 基于单子区间相似的聚类方法 | 第53-54页 |
| 4.2 小群体检测与跟踪算法 | 第54-58页 |
| 4.3 基于自适应聚类算法的小群体检测与跟踪总结 | 第58-59页 |
| 4.4 实验结果及评价 | 第59-64页 |
| 4.5 本章小结 | 第64-65页 |
| 5 全文总结和工作展望 | 第65-67页 |
| 5.1 本文工作总结 | 第65页 |
| 5.2 下一步工作展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 作者简历 | 第71-73页 |
| 学位论文数据集 | 第73页 |