| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 运动目标跟踪算法概述 | 第11-13页 |
| 1.3 影响运动目标跟踪的因素 | 第13页 |
| 1.4 本文主要研究内容 | 第13-15页 |
| 第二章 粒子滤波理论 | 第15-24页 |
| 2.1 历史背景及简介 | 第15-16页 |
| 2.2 贝叶斯滤波 | 第16-18页 |
| 2.3 蒙特卡洛模拟原理 | 第18页 |
| 2.4 粒子滤波理论 | 第18-24页 |
| 2.4.1 重要性采样 | 第18-19页 |
| 2.4.2 序列重要性采样 | 第19-21页 |
| 2.4.3 退化现象及重采样方法 | 第21-22页 |
| 2.4.4 粒子滤波算法在运动目标跟踪中的应用 | 第22-24页 |
| 第三章 LBP理论 | 第24-29页 |
| 3.1 基本LBP算子 | 第24-25页 |
| 3.2 LBP统一模式 | 第25-27页 |
| 3.3 LBP统一模式直方图 | 第27-29页 |
| 第四章 Mean Shift理论 | 第29-36页 |
| 4.1 历史背景及简介 | 第29页 |
| 4.2 无参密度估计理论 | 第29-36页 |
| 4.2.1 参数密度估计理论 | 第29-30页 |
| 4.2.2 无参密度估计理论 | 第30-32页 |
| 4.2.3 多维空间下的无参密度估计 | 第32-33页 |
| 4.2.4 Mean Shift算法 | 第33-36页 |
| 第五章 基于Mean Shift和LBP的粒子滤波算法 | 第36-47页 |
| 5.1 历史背景及简介 | 第36页 |
| 5.2 Mean Shift算法的聚类作用 | 第36-37页 |
| 5.3 基于Mean Shift和LBP的粒子滤波算法 | 第37-41页 |
| 5.3.1 系统的动态模型 | 第37-38页 |
| 5.3.2 系统的观测模型 | 第38-39页 |
| 5.3.3 目标的确定 | 第39页 |
| 5.3.4 重采样 | 第39页 |
| 5.3.5 嵌入Mean Shift算法收敛粒子 | 第39-40页 |
| 5.3.6 算法流程 | 第40-41页 |
| 5.4 实验结果与分析 | 第41-46页 |
| 5.5 本章小结 | 第46-47页 |
| 第六章 总结与展望 | 第47-48页 |
| 6.1 总结 | 第47页 |
| 6.2 待研究的问题 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51页 |