| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究现状 | 第8-11页 |
| 1.3 论文主要工作及创新 | 第11页 |
| 1.4 论文的组织结构 | 第11-13页 |
| 第2章 相关理论研究 | 第13-21页 |
| 2.1 特征点提取技术 | 第13-16页 |
| 2.1.1 SIFT | 第13-15页 |
| 2.1.2 SURF | 第15-16页 |
| 2.2 基于SIFT的特征点匹配技术 | 第16-17页 |
| 2.3 机器学习聚类技术 | 第17-21页 |
| 2.2.1 K-MEANS | 第17-19页 |
| 2.2.2 Affinity Propagation | 第19-21页 |
| 第3章 基于无人机的空拍的特定区域识别算法 | 第21-37页 |
| 3.1 算法流程框架 | 第21-23页 |
| 3.2 基于排序的SIFT特征点提取 | 第23-25页 |
| 3.2.1 图片局部点的稳定性 | 第23-24页 |
| 3.2.2 图片局部特征点的特征向量构造 | 第24-25页 |
| 3.2.3 Learning to Rank | 第25页 |
| 3.3 基于特征点的局部差异区域定位 | 第25-27页 |
| 3.4 基于强化学习的特征点匹配的聚类算法 | 第27-31页 |
| 3.4.1 计算参考点 | 第29-30页 |
| 3.4.2 根据参考点选取特征点 | 第30-31页 |
| 3.5 基于RCNN的实时区域检测算法 | 第31-35页 |
| 3.5.1 算法流程框架 | 第31-33页 |
| 3.5.2 训练图片集生成和标注 | 第33-34页 |
| 3.5.3 RCNN与FAST RCNN | 第34页 |
| 3.5.4 深度网络的训练 | 第34-35页 |
| 3.6 区域定位和通知 | 第35-37页 |
| 第4章 实验和分析 | 第37-45页 |
| 4.1 基于排序的特征点提取算法实验 | 第37-38页 |
| 4.2 基于强化学习的特征点匹配的聚类算法的实验分析 | 第38-42页 |
| 4.2.1 实验环境描述 | 第38-39页 |
| 4.2.2 实验准备 | 第39页 |
| 4.2.3 不同算法聚类效果对比 | 第39-40页 |
| 4.2.4 算法鲁棒性的实验 | 第40-41页 |
| 4.2.5 无人机空拍图聚类识别实验 | 第41-42页 |
| 4.3 RCNN实时无人机区域识别算法的实验及分析 | 第42-45页 |
| 4.3.1 时间复杂度 | 第42-43页 |
| 4.3.2 质量检测 | 第43-44页 |
| 4.3.3 实验结果与分析 | 第44-45页 |
| 第5章 总结与展望 | 第45-47页 |
| 5.1 总结 | 第45-46页 |
| 5.2 展望 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 附录 | 第51-53页 |
| 发表论文和参加科研情况说明 | 第53-55页 |
| 致谢 | 第55页 |
