| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究目的和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 目标的表示、特征选择和表观建模 | 第11-12页 |
| 1.2.2 运动目标跟踪方法 | 第12-14页 |
| 1.2.3 基于蒙特卡洛方法的目标跟踪研究现状 | 第14-15页 |
| 1.3 论文的主要内容及创新点 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第2章 蒙特卡洛采样方法 | 第17-29页 |
| 2.1 贝叶斯跟踪框架 | 第17页 |
| 2.2 Monte Carlo采样方法 | 第17-20页 |
| 2.2.1 接受-拒绝采样 | 第18-19页 |
| 2.2.2 重要性采样 | 第19-20页 |
| 2.3 马尔科夫链蒙特卡洛方法 | 第20-22页 |
| 2.3.1 Metropolis-Hastings采样 | 第20-21页 |
| 2.3.2 Gibbs采样 | 第21-22页 |
| 2.4 自适应方法 | 第22-25页 |
| 2.4.1 Wang-Landau采样方法 | 第22-23页 |
| 2.4.2 IA-MCMC采样方法 | 第23-25页 |
| 2.5 N-Fold Wang-Landau(NFWL) 跟踪算法 | 第25-29页 |
| 第3章 多尺度序贯马尔科夫链蒙特卡洛采样方法 | 第29-42页 |
| 3.1 基于MCMC的多尺度跟踪算法 | 第29-36页 |
| 3.1.1 提议采样阶段 | 第30-31页 |
| 3.1.2 参数估计 | 第31-33页 |
| 3.1.3 接受率计算 | 第33页 |
| 3.1.4 加权提议采样 | 第33-34页 |
| 3.1.5 细致采样阶段 | 第34-35页 |
| 3.1.6 目标建模及观测似然计算公式 | 第35-36页 |
| 3.2 Mean-Shift优化计算 | 第36-38页 |
| 3.3 实验结果 | 第38-39页 |
| 3.4 小结 | 第39-42页 |
| 第4章 基于压缩感知建模的随机采样跟踪方法 | 第42-49页 |
| 4.1 随机映射和压缩感知理论 | 第42-44页 |
| 4.2 目标特征计算 | 第44页 |
| 4.3 似然计算 | 第44-45页 |
| 4.4 细致提议采样方法 | 第45-47页 |
| 4.5 实验结果 | 第47-48页 |
| 4.6 小结 | 第48-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 攻读学位期间发表论文与研究成果清单 | 第56-57页 |
| 致谢 | 第57-58页 |