| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 目录 | 第10-14页 |
| 第一章 绪论 | 第14-26页 |
| ·引言 | 第14-15页 |
| ·研究背景和意义 | 第15-17页 |
| ·国内外研究现状 | 第17-23页 |
| ·红外目标检测技术现状分析 | 第17-21页 |
| ·红外目标跟踪技术现状分析 | 第21-23页 |
| ·本文主要研究内容和创新点 | 第23-25页 |
| ·本文章节安排 | 第25-26页 |
| 第二章 基于小波包和高阶统计量的红外弱小目标检测技术 | 第26-41页 |
| ·引言 | 第26-27页 |
| ·小波分析在红外弱小目标检测中的应用 | 第27-29页 |
| ·小波变换的基本理论 | 第27-28页 |
| ·基于小波变换的弱小目标检测方法 | 第28-29页 |
| ·基于小波包和高阶统计量的红外弱小目标检测技术 | 第29-35页 |
| ·红外弱小目标特性分析 | 第29页 |
| ·二维离散小波包变换 | 第29-31页 |
| ·高阶统计量理论 | 第31-32页 |
| ·基于小波包和高阶统计量的目标检测算法 | 第32-35页 |
| ·基于峰度的高斯判别准则的建立 | 第33-34页 |
| ·改进算法的具体步骤 | 第34-35页 |
| ·实验与分析 | 第35-40页 |
| ·目标检测结果和分析 | 第36-39页 |
| ·算法的性能分析 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第三章 改进的基于分形理论的红外弱小目标快速检测技术 | 第41-59页 |
| ·引言 | 第41页 |
| ·基于分形理论的目标检测算法原理 | 第41-43页 |
| ·分形理论概述 | 第42页 |
| ·分形理论在人造目标检测中的应用 | 第42-43页 |
| ·基于局部熵的改进分形红外弱小目标快速检测技术 | 第43-51页 |
| ·信息熵 | 第43-44页 |
| ·基于局部熵和分维像的红外弱小目标检测 | 第44-48页 |
| ·基于局部熵的目标粗定位 | 第44-45页 |
| ·基于分维像的目标细定位 | 第45-48页 |
| ·实验与分析 | 第48-51页 |
| ·实验参数的选取 | 第49页 |
| ·目标检测结果和分析 | 第49-51页 |
| ·基于三阶特征量的改进分形红外弱小目标快速检测技术 | 第51-57页 |
| ·基于三阶特征量的感兴趣区域提取 | 第51-53页 |
| ·弱小目标的精确检测 | 第53-55页 |
| ·实验与分析 | 第55-57页 |
| ·两种改进算法的性能对比分析 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第四章 基于多特征融合的粒子滤波红外目标跟踪技术 | 第59-82页 |
| ·引言 | 第59-60页 |
| ·粒子滤波基本原理 | 第60-64页 |
| ·基于贝叶斯估计的目标跟踪框架 | 第60-61页 |
| ·粒子滤波 | 第61-64页 |
| ·基本思想 | 第61页 |
| ·序贯重要性采样 | 第61-62页 |
| ·重要性分布函数和重采样 | 第62-63页 |
| ·粒子滤波算法描述 | 第63-64页 |
| ·融合灰度和分形特征的粒子滤波红外弱小目标跟踪算法 | 第64-72页 |
| ·红外弱小目标建模 | 第64-67页 |
| ·带有空间位置信息的灰度直方图特征提取 | 第64-65页 |
| ·红外弱小目标的分形特征提取 | 第65-67页 |
| ·改进算法的具体实现 | 第67-68页 |
| ·实验与分析 | 第68-72页 |
| ·基于多信息融合的改进粒子滤波器在红外人体目标跟踪中的应用 | 第72-80页 |
| ·红外人体目标建模 | 第72-75页 |
| ·灰度特征的提取 | 第72-73页 |
| ·基于帧间差分和灰度概率分布图的运动特征提取 | 第73-75页 |
| ·基于灰度-运动特征的联合观测模型 | 第75页 |
| ·自适应灰度模型更新 | 第75页 |
| ·改进算法的具体实现 | 第75-76页 |
| ·实验与分析 | 第76-80页 |
| ·背景存在强杂波及目标发生遮挡情况下的目标跟踪结果 | 第76-77页 |
| ·相似灰度干扰情况下的目标跟踪结果 | 第77-78页 |
| ·目标对比度过低情况下的目标跟踪结果 | 第78-79页 |
| ·完全遮挡情况下的目标跟踪结果 | 第79-80页 |
| ·计算复杂度 | 第80页 |
| ·本章小结 | 第80-82页 |
| 第五章 Mean Shift框架下的红外目标实时鲁棒跟踪技术 | 第82-112页 |
| ·引言 | 第82-83页 |
| ·Mean Shift理论基础 | 第83-90页 |
| ·Mean Shift向量 | 第83-85页 |
| ·基于核函数直方图的Mean Shift目标跟踪算法 | 第85-88页 |
| ·核函数直方图 | 第85-86页 |
| ·基于Bhattacharyya系数度量的目标定位 | 第86-87页 |
| ·基于核函数直方图的Mean Shift算法描述 | 第87-88页 |
| ·基于概率分布图的Mean Shift目标跟踪算法 | 第88-90页 |
| ·概率分布图 | 第88页 |
| ·基于概率分布图的Mean Shift算法描述 | 第88-90页 |
| ·基于自适应多信息融合的Mean Shift红外人体目标跟踪算法 | 第90-106页 |
| ·新的红外人体目标模型 | 第90-93页 |
| ·目标灰度信息的建立 | 第91页 |
| ·目标边缘信息的建立 | 第91-92页 |
| ·新的运动引导的灰度和边缘信息 | 第92-93页 |
| ·提出的目标跟踪算法 | 第93-98页 |
| ·新的自适应多信息融合机制 | 第94-96页 |
| ·目标模型自动更新策略 | 第96-97页 |
| ·提出算法的具体流程 | 第97-98页 |
| ·实验与分析 | 第98-106页 |
| ·提出的算法和基于灰度信息Mean Shift算法的比较 | 第99-102页 |
| ·自适应多信息融合算法和基于固定权值多信息融合方法的比较 | 第102-103页 |
| ·遮挡问题的处理 | 第103-105页 |
| ·改进算法的效率分析 | 第105-106页 |
| ·融合Mean Shift和粒子滤波优点的红外目标跟踪算法 | 第106-111页 |
| ·改进的融合灰度和运动信息的目标模型 | 第106-107页 |
| ·改进的Mean Shift算法 | 第107-108页 |
| ·本节提出算法的具体实现 | 第108-109页 |
| ·实验与分析 | 第109-111页 |
| ·三种算法跟踪实验结果对比 | 第110页 |
| ·三种算法执行时间分析 | 第110-111页 |
| ·本章小结 | 第111-112页 |
| 第六章 总结与展望 | 第112-116页 |
| ·论文工作总结 | 第112-114页 |
| ·研究展望 | 第114-116页 |
| 致谢 | 第116-117页 |
| 参考文献 | 第117-128页 |
| 附录 | 第128-129页 |
