| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 目录 | 第10-14页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究目的及意义 | 第14-16页 |
| 1.2 国内外研究现状和发展态势 | 第16-18页 |
| 1.2.1 特征提取研究现状及发展趋势 | 第16-17页 |
| 1.2.2 扩展目标跟踪研究现状及发展趋势 | 第17-18页 |
| 1.3 存在的问题 | 第18-19页 |
| 1.4 本文研究内容及结构安排 | 第19-21页 |
| 第二章 基于GHT的异型扩展目标高精度定位方法 | 第21-35页 |
| 2.1 引言 | 第21-22页 |
| 2.2 算法框架 | 第22-27页 |
| 2.2.1 边缘提取 | 第22-24页 |
| 2.2.2 粗定位：广义Hough变换（GHT） | 第24-26页 |
| 2.2.3 精定位：松弛迭代法 | 第26-27页 |
| 2.3 实验结果及分析 | 第27-30页 |
| 2.3.1 实验设置 | 第27-29页 |
| 2.3.2 实验结果及分析 | 第29-30页 |
| 2.3.3 与传统算法比较 | 第30页 |
| 2.4 性能分析 | 第30-34页 |
| 2.4.1 遮挡分析 | 第31-32页 |
| 2.4.2 边缘模糊度分析 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 扩展目标特征提取及定姿技术研究 | 第35-59页 |
| 3.1 引言 | 第35-36页 |
| 3.2 特征提取与描述方法分析比较 | 第36-37页 |
| 3.3 基于骨架的扩展目标特征提取 | 第37-41页 |
| 3.3.1 目标分割 | 第38-40页 |
| 3.3.2 直线拟合及轴线提取 | 第40-41页 |
| 3.4 结合骨架和轮廓的上下文描述子 | 第41-47页 |
| 3.4.1 边缘和骨架提取 | 第42-43页 |
| 3.4.2 直方图构建 | 第43页 |
| 3.4.3 直方图匹配 | 第43-44页 |
| 3.4.4 实验结果及分析 | 第44-47页 |
| 3.4.4.1 实验结果 | 第44-47页 |
| 3.4.4.2 性能分析 | 第47页 |
| 3.5 飞机三维姿态解算方法 | 第47-57页 |
| 3.5.2 三维姿态解算 | 第49-53页 |
| 3.5.2.1 坐标系及姿态角定义 | 第49-50页 |
| 3.5.2.2 姿态建模及解算 | 第50-53页 |
| 3.5.3 实验结果及分析 | 第53-56页 |
| 3.5.3.1 轴线提取 | 第53-54页 |
| 3.5.3.2 姿态角计算 | 第54-55页 |
| 3.5.3.3 稳定性评估 | 第55-56页 |
| 3.5.4 精度分析 | 第56-57页 |
| 3.5.4.1 偏航角与俯仰角误差分析 | 第56页 |
| 3.5.4.2 翻滚角误差分析 | 第56-57页 |
| 3.5.5 小结 | 第57页 |
| 3.6 本章总结 | 第57-59页 |
| 第四章 基于特征学习的飞机关键部位识别技术研究 | 第59-78页 |
| 4.1 引言 | 第59-60页 |
| 4.2 Haar-like特征 | 第60-62页 |
| 4.2.1 Haar-like特征值计算 | 第60-62页 |
| 4.2.2 弱分类器生成 | 第62页 |
| 4.3 Adaboost算法 | 第62-64页 |
| 4.3.1 Adaboost算法原理 | 第62-63页 |
| 4.3.2 Ada Boost算法分析 | 第63-64页 |
| 4.4 基于Haar-like特征的飞机关键部位识别算法 | 第64-69页 |
| 4.4.1 Ada Boost算法训练 | 第65-67页 |
| 4.4.1.1 训练样本选择 | 第66-67页 |
| 4.4.1.2 强分类器训练 | 第67页 |
| 4.4.2 Ada Boost算法识别 | 第67页 |
| 4.4.3 实验结果及分析 | 第67-69页 |
| 4.5 基于改进Haar-like特征的飞机机翼识别算法 | 第69-73页 |
| 4.5.1 Haar-like特征改进 | 第69页 |
| 4.5.2 改进的Haar-like特征训练 | 第69-71页 |
| 4.5.3 改进的Haar-like特征和原始Haar-like特征比较 | 第71-73页 |
| 4.5.3.1 稳定性 | 第71-73页 |
| 4.5.3.2 计算复杂度 | 第73页 |
| 4.6 基于改进Haar-like特征的飞机机头识别算法 | 第73-77页 |
| 4.6.1 Haar-like特征改进 | 第73-74页 |
| 4.6.2 特征性能比较 | 第74-77页 |
| 4.6.2.1 稳定性 | 第74-76页 |
| 4.6.2.2 计算复杂度 | 第76-77页 |
| 4.7 本章小结 | 第77-78页 |
| 第五章 基于骨架和改进分布场的扩展目标跟踪技术研究 | 第78-105页 |
| 5.1 引言 | 第78-79页 |
| 5.2 分布场描述子 | 第79-81页 |
| 5.2.1 分布场建立 | 第79-81页 |
| 5.2.2 模型更新 | 第81页 |
| 5.3 分布场性能分析 | 第81-84页 |
| 5.3.1 旋转适应性分析 | 第81-82页 |
| 5.3.2 尺度适应性分析 | 第82-83页 |
| 5.3.3 遮挡适应性分析 | 第83-84页 |
| 5.4 分布场改进 | 第84-97页 |
| 5.4.1 非均匀自适应分层 | 第84-89页 |
| 5.4.2 尺度和旋转自适应 | 第89-95页 |
| 5.4.2.1 BRISK特征点检测 | 第89-90页 |
| 5.4.2.2 BRISK特征点描述 | 第90-92页 |
| 5.4.2.3 RANSAC剔除错误匹配 | 第92-93页 |
| 5.4.2.4 关键点匹配稳定性分析 | 第93-95页 |
| 5.4.3 结合骨架和改进分布场的扩展目标跟踪算法 | 第95-97页 |
| 5.4.3.1 算法流程 | 第95-97页 |
| 5.4.3.2 变换参数计算 | 第97页 |
| 5.5 实验结果及分析 | 第97-104页 |
| 5.5.1 时间复杂度评估 | 第97页 |
| 5.5.2 性能评估 | 第97-99页 |
| 5.5.3 定量评估 | 第99-102页 |
| 5.5.4 融合性能比较 | 第102-103页 |
| 5.5.5 算法比较 | 第103-104页 |
| 5.6 本章小结 | 第104-105页 |
| 第六章 基于表观模型学习的目标跟踪技术研究 | 第105-115页 |
| 6.1 引言 | 第105页 |
| 6.2 稀疏联合模型 | 第105-107页 |
| 6.2.1 基于稀疏度的区分分类器 | 第106-107页 |
| 6.2.1.1 特征选择 | 第106页 |
| 6.2.1.2 置信度度量 | 第106-107页 |
| 6.2.2 基于稀疏度的生成模型 | 第107页 |
| 6.2.2.1 直方图生成 | 第107页 |
| 6.2.2.2 相似度函数 | 第107页 |
| 6.3 空时上下文模型 | 第107-110页 |
| 6.3.1 上下文重要性 | 第108页 |
| 6.3.2 问题描述 | 第108-110页 |
| 6.3.2.1 空间上下文模型 | 第109页 |
| 6.3.2.2 上下文先验模型 | 第109页 |
| 6.3.2.3 置信地图 | 第109-110页 |
| 6.3.2.4 空间上下文模型的快速学习 | 第110页 |
| 6.3.2.5 跟踪 | 第110页 |
| 6.4 空时上下文模型用于跟踪算法改进 | 第110-114页 |
| 6.4.1 算法流程 | 第111页 |
| 6.4.2 仿真结果及分析 | 第111-114页 |
| 6.5 本章小结 | 第114-115页 |
| 第七章 总结与展望 | 第115-118页 |
| 7.1 论文主要研究内容 | 第115-116页 |
| 7.2 论文主要创新点 | 第116页 |
| 7.3 进一步研究的问题和方向 | 第116-118页 |
| 参考文献 | 第118-127页 |
| 作者简介及在学期间发表的学术论文与研究成果 | 第127-128页 |
