周修庄、鲁继文著的《视觉跟踪中的马氏链蒙特卡洛方法》基于统计机器学习的理论工具——马氏链蒙特卡洛（MCMC）采样理论，系统地阐述了目标运动不确定性条件下的视觉目标跟踪问题、方法和技术，并结合多种实际应用场景给出算法实现框架和实验分析。全书共4章，第1章介绍了视觉目标跟踪的意义和基本方法。第2章介绍了MCMC采样、自适应MCMC采样的基本理论、方法、实现技术及其在计算机视觉中的应用。第3章介绍了视觉目标跟踪中的序贯粒子采样方法和序贯随机逼近蒙特卡洛采样方法。第4章介绍了面向运动突变视觉目标跟踪的自适应MCMC采样方法。本书是视觉目标跟踪与MCMC采样方面的专著，反映了作者近年来在这一领域的主要研究成果。
本书可作为大专院校及科研院所图像处理、计算机视觉和智能视频分析领域的高年级本科生、研究生的教学和参考用书，也可供相关领域的教师、科研人员及工程技术人员作参考。

第1章 绪论
1.1 视觉跟踪概述
1.2 国内外研究现状及发展趋势
1.2.1 目标表示、特征选择与外观建模
1.2.2 视觉跟踪方法
第2章 MCMC和自适应MCMC
2.1 引言
2.2 Monte Carlo采样
2.2.1 Monte Carlo积分
2.2.2 Monte Carlo采样
2.3 MCMC采样
2.3.1 Metropolis-Hastings采样
2.3.2 Gibbs采样
2.3.3 MCMC算法分析
2.4 自适应MCMC采样
2.4.1 提议分布自适应
2.4.2 目标分布自适应
2.5 MCMC采样方法在计算机视觉中的应用
2.5.1 目标轮廓的多边形近似
2.5.2 基于MC优化的多边形近似算法
2.6 小结
第3章 序贯随机逼近蒙特卡洛跟踪方法
3.1 引言
3.2 相关工作
3.3 方法介绍
3.3.1 贝叶斯滤波
3.3.2 粒子滤波
3.3.3 基于MCMC采样的粒子滤波
3.3.4 序贯随机逼近蒙特卡洛跟踪方法
3.4 实验结果
3.5 小结
第4章 运动突变的视觉跟踪方法
4.1 引言
4.2 相关工作
4.3 方法介绍
4.3.1 基本思想
4.3.2 密度网格
4.3.3 提议分布自适应
4.3.4 强自适应的MCMC采样
4.3.5 实现细节
4.4 实验结果
4.4.1 提议分布自适应的影响
4.4.2 定性比较
4.4.3 定量比较
4.4.4 讨论
4.5 小结
结论
参考文献