| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 图像去雾 | 第11-12页 |
| 1.2.2 导航误差修正 | 第12页 |
| 1.2.3 目标追踪 | 第12-13页 |
| 1.2.4 主要存在的问题 | 第13页 |
| 1.3 论文主要研究内容及章节安排 | 第13-16页 |
| 第2章 基于深度学习的低质航空图像去雾方法研究 | 第16-29页 |
| 2.1 图像去雾方法概述 | 第16-17页 |
| 2.2 低质图像去雾 | 第17-23页 |
| 2.2.1 大气散射模型建立 | 第17-18页 |
| 2.2.2 基于自编码网络的雾相关特征提取 | 第18-20页 |
| 2.2.3 基于卷积神经网络的场景透射率估计 | 第20-22页 |
| 2.2.4 图像去雾 | 第22-23页 |
| 2.3 实验结果与分析 | 第23-27页 |
| 2.3.1 室外图像集去雾实验 | 第23-25页 |
| 2.3.2 室内图像集去雾实验 | 第25-27页 |
| 2.3.3 航空图像集去雾实验 | 第27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 视觉辅助的导航传感器误差修正方法研究 | 第29-49页 |
| 3.1 无人机导航方法概述 | 第29-30页 |
| 3.2 无人机状态估计 | 第30-34页 |
| 3.2.1 SURF特征提取 | 第30-31页 |
| 3.2.2 LK光流误差补偿 | 第31-32页 |
| 3.2.3 无人机速度估计 | 第32-34页 |
| 3.3 导航传感器误差修正 | 第34-40页 |
| 3.3.1 坐标系转换 | 第34-36页 |
| 3.3.2 观测器模型提出 | 第36-37页 |
| 3.3.3 导航误差参数修正 | 第37-40页 |
| 3.4 实验结果与分析 | 第40-48页 |
| 3.4.1 Simulink仿真实验 | 第40-43页 |
| 3.4.2 Zurich-urban飞行数据集导航实验 | 第43-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 低能见度下无人机目标追踪算法研究 | 第49-62页 |
| 4.1 无人机目标追踪方法概述 | 第49页 |
| 4.2 目标检测 | 第49-53页 |
| 4.2.1 理论光流值估计 | 第50-52页 |
| 4.2.2 运动目标检测 | 第52-53页 |
| 4.3 目标追踪 | 第53-57页 |
| 4.3.1 分类器建立 | 第54页 |
| 4.3.2 离散卡尔曼滤波模型建立 | 第54-56页 |
| 4.3.3 目标轨迹追踪 | 第56页 |
| 4.3.4 世界坐标系下目标轨迹转换 | 第56-57页 |
| 4.4 实验结果与分析 | 第57-60页 |
| 4.4.1 Simulink 3D仿真实验 | 第57-59页 |
| 4.4.2 水面目标追踪实验 | 第59-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第5章 低能见度下无人机综合飞行试验 | 第62-72页 |
| 5.1 无人机硬件平台搭建 | 第62-64页 |
| 5.2低能见度下无人机目标追踪实验 | 第64-71页 |
| 5.2.1 航空图像去雾 | 第64-65页 |
| 5.2.2 导航误差修正 | 第65-69页 |
| 5.2.3 目标追踪 | 第69-71页 |
| 5.3 本章小结 | 第71-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 6.1 论文总结 | 第72-73页 |
| 6.2 论文展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间的研究成果 | 第79页 |