粒子滤波算法在智能交通系统中的应用研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-11页 |
| ·课题研究的背景 | 第7页 |
| ·目标跟踪方法的综述 | 第7-8页 |
| ·几种常见的目标跟踪基本方法 | 第8-11页 |
| 第二章 相关理论基础 | 第11-25页 |
| ·非线性贝叶斯跟踪 | 第11-14页 |
| ·全概率和贝叶斯公式 | 第12-13页 |
| ·动态模型和观测模型 | 第13-14页 |
| ·卡尔曼滤波器 | 第14-16页 |
| ·蒙特卡罗方法和粒子滤波 | 第16-22页 |
| ·蒙特卡罗方法 | 第16页 |
| ·蒙特卡罗方法的收敛性 | 第16-17页 |
| ·应用举例 | 第17-18页 |
| ·重要性采样 | 第18-19页 |
| ·序列重要性采样 | 第19-20页 |
| ·重采样 | 第20-22页 |
| ·实验结果 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 目标检测和高斯背景建模 | 第25-36页 |
| ·运动目标检测的方法概述 | 第25-27页 |
| ·光流法 | 第25-26页 |
| ·时间差分 | 第26页 |
| ·背景减除法 | 第26-27页 |
| ·混合高斯模型 | 第27-31页 |
| ·混合高斯模型的基本思想 | 第27-30页 |
| ·背景分割 | 第30-31页 |
| ·自适应阈值分割背景减除 | 第31-33页 |
| ·运动目标的提取与形态学运算 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于粒子滤波的单目标跟踪 | 第36-46页 |
| ·动态图像序列目标跟踪 | 第36-38页 |
| ·状态模型 | 第36-38页 |
| ·颜色观测模型 | 第38-43页 |
| ·目标颜色模型 | 第38页 |
| ·颜色直方图 | 第38-43页 |
| ·模板的更新 | 第43页 |
| ·仿真结果 | 第43-45页 |
| ·小结 | 第45-46页 |
| 第五章 基于粒子滤波的多目标跟踪 | 第46-56页 |
| ·数据关联 | 第46-50页 |
| ·最近邻法 | 第47页 |
| ·联合概率数据相关 | 第47-48页 |
| ·基于MCMC 的数据关联 | 第48-50页 |
| ·基于MCMC 算法的粒子滤波多目标跟踪 | 第50-55页 |
| ·MCMC 粒子滤波 | 第50-51页 |
| ·状态空间和动作设定 | 第51-52页 |
| ·多目标跟踪的贝叶斯模型 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结和展望 | 第56-58页 |
| ·本文工作 | 第56页 |
| ·工作展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 发表论文和参加科研情况说明 | 第61-62页 |
| 致谢 | 第62页 |
