基于图像稀疏表示的红外小目标检测与跟踪算法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-15页 |
| 第一章 绪论 | 第15-27页 |
| ·研究背景和研究意义 | 第15-18页 |
| ·国内外研究现状 | 第18-24页 |
| ·红外小目标检测 | 第18-22页 |
| ·红外目标跟踪 | 第22-24页 |
| ·本文的结构及主要创新点 | 第24-27页 |
| 第二章 红外小目标检测与跟踪算法概述 | 第27-47页 |
| ·经典的红外小目标检测算法 | 第27-41页 |
| ·空域和频域滤波算法 | 第27-32页 |
| ·形态学滤波算法 | 第32-34页 |
| ·基于背景预测的算法 | 第34-37页 |
| ·基于小波变换的算法 | 第37-39页 |
| ·基于机器学习的算法 | 第39-41页 |
| ·经典的红外目标跟踪算法 | 第41-46页 |
| ·基于均值移位的跟踪算法 | 第41-44页 |
| ·基于粒子滤波的跟踪算法 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第三章 基于图像稀疏表示的红外小目标检测 | 第47-74页 |
| ·图像的稀疏表示理论 | 第47-53页 |
| ·最优化问题及i_2 范数最优解 | 第47-48页 |
| ·I_p 范数最优解 | 第48-52页 |
| ·(P_0 ) 问题 | 第52-53页 |
| ·稀疏表示模型的求解方法 | 第53-58页 |
| ·基于贪婪算法的求解方法 | 第54-56页 |
| ·基于凸松弛的求解方法 | 第56-58页 |
| ·基于图像稀疏表示的红外小目标检测算法 | 第58-73页 |
| ·基于改进高斯模型的目标模型 | 第58-61页 |
| ·图像稀疏表示模型 | 第61-62页 |
| ·超完备字典的建立 | 第62-65页 |
| ·红外小目标的判定 | 第65-67页 |
| ·实验结果及其分析 | 第67-73页 |
| ·本章小结 | 第73-74页 |
| 第四章 基于字典学习的红外小目标检测算法 | 第74-92页 |
| ·字典构造方法 | 第74-78页 |
| ·基于解析数学的字典 | 第74-77页 |
| ·字典学习 | 第77-78页 |
| ·最优字典的构造 | 第78-81页 |
| ·K-means 算法 | 第78-79页 |
| ·基于K-means 的K-SVD 算法 | 第79-81页 |
| ·基于字典学习的红外小目标检测算法 | 第81-91页 |
| ·最优超完备红外小目标字典 | 第82-84页 |
| ·基于背景重构的杂波抑制 | 第84-86页 |
| ·实验结果及其分析 | 第86-91页 |
| ·本章小结 | 第91-92页 |
| 第五章 基于图像稀疏表示的红外目标跟踪算法 | 第92-108页 |
| ·粒子滤波框架 | 第92-97页 |
| ·非线性贝叶斯跟踪模型 | 第92-93页 |
| ·序贯重要性采样算法 | 第93-95页 |
| ·退化问题及重采样方法 | 第95-97页 |
| ·基于图像稀疏表示的红外目标跟踪算法 | 第97-107页 |
| ·基于稀疏表示的目标观测模型 | 第97-99页 |
| ·基于在线学习的目标子空间更新 | 第99-101页 |
| ·基于图像稀疏表示的红外目标跟踪算法 | 第101-102页 |
| ·实验结果及其分析 | 第102-107页 |
| ·本章小结 | 第107-108页 |
| 第六章 总结与展望 | 第108-111页 |
| ·主要工作与创新点 | 第108-109页 |
| ·后续研究工作 | 第109-111页 |
| 参考文献 | 第111-118页 |
| 致谢 | 第118-119页 |
| 攻读硕士学位期间已发表或录用的论文 | 第119-120页 |
| 附件 | 第120页 |
