基于车载视频的车辆目标跟踪方法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-15页 |
| 1.1 研究背景和意义 | 第7-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 车辆跟踪的技术难点 | 第12-13页 |
| 1.4 本文的主要研究内容及章节安排 | 第13-15页 |
| 2 基于贝叶斯的粒子滤波理论 | 第15-30页 |
| 2.1 概述 | 第15页 |
| 2.2 动态空间模型 | 第15-16页 |
| 2.3 贝叶斯估计原理 | 第16-22页 |
| 2.3.1 贝叶斯定理 | 第16页 |
| 2.3.2 贝叶斯估计的递推过程 | 第16-19页 |
| 2.3.3 贝叶斯估计的最优解 | 第19-20页 |
| 2.3.4 贝叶斯估计的次优解 | 第20-22页 |
| 2.4 粒子滤波算法 | 第22-29页 |
| 2.4.1 蒙特卡罗方法 | 第22-23页 |
| 2.4.2 贝叶斯重要性采样 | 第23-24页 |
| 2.4.3 序贯重要性采样 | 第24-25页 |
| 2.4.4 粒子退化现象 | 第25-27页 |
| 2.4.5 标准粒子滤波算法 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 基于粒子滤波的车辆跟踪 | 第30-50页 |
| 3.1 概述 | 第30页 |
| 3.2 基于粒子滤波的跟踪框架 | 第30-36页 |
| 3.2.1 状态空间模型 | 第30-32页 |
| 3.2.2 先验特征的选择 | 第32-33页 |
| 3.2.3 车辆状态的确定 | 第33-34页 |
| 3.2.4 初始化目标和粒子 | 第34-35页 |
| 3.2.5 基本的粒子滤波跟踪流程 | 第35-36页 |
| 3.3 基于融合特征的外观模型 | 第36-44页 |
| 3.3.1 主成分分析方法 | 第36-39页 |
| 3.3.2 感知特征 | 第39-44页 |
| 3.3.3 相似性度量及车辆状态的确定 | 第44页 |
| 3.4 改进的重采样算法 | 第44-48页 |
| 3.5 车辆跟踪的完整流程 | 第48-49页 |
| 3.6 本章小结 | 第49-50页 |
| 4 实验结果及分析 | 第50-61页 |
| 4.1 概述 | 第50页 |
| 4.2 车辆跟踪评价标准 | 第50-51页 |
| 4.3 实验结果与分析 | 第51-60页 |
| 4.4 本章小结 | 第60-61页 |
| 5 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
