| 摘要 | 第4-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 课题背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-19页 |
| 1.2.1 国外现状 | 第12-17页 |
| 1.2.2 国内现状 | 第17-19页 |
| 1.3 红外偏振探测关键技术 | 第19-22页 |
| 1.3.1 偏振计算方法研究 | 第19页 |
| 1.3.2 基于嵌入式GPU成像系统的实现 | 第19-20页 |
| 1.3.3 红外分焦平面偏振探测器非均匀性校正研究 | 第20-21页 |
| 1.3.4 红外偏振目标识别算法研究 | 第21-22页 |
| 1.4 本文的研究内容与结构安排 | 第22-25页 |
| 第2章 红外偏振成像理论研究 | 第25-43页 |
| 2.1 偏振的基本理论 | 第25-28页 |
| 2.2 偏振光产生原因分析 | 第28-30页 |
| 2.3 偏振光表示方法 | 第30-33页 |
| 2.3.1 琼斯矢量表示方法 | 第30-31页 |
| 2.3.2 斯托克斯矢量表示方法 | 第31-32页 |
| 2.3.3 庞加球表示方法 | 第32-33页 |
| 2.4 偏振片模型 | 第33-35页 |
| 2.4.1 米勒矩阵表示法 | 第33-34页 |
| 2.4.2 新的表示方法 | 第34-35页 |
| 2.5 偏振度的计算 | 第35-37页 |
| 2.5.1 基于斯托克斯矢量线偏振测量 | 第35-36页 |
| 2.5.2 基于新方法的计算 | 第36-37页 |
| 2.6 偏振探测方法 | 第37-42页 |
| 2.6.1 非实时偏振成像 | 第38-40页 |
| 2.6.2 实时偏振成像系统 | 第40-42页 |
| 2.7 本章小结 | 第42-43页 |
| 第3章 线列红外偏振探测系统设计 | 第43-55页 |
| 3.1 系统设计 | 第43-45页 |
| 3.2 探测器系统 | 第45-47页 |
| 3.3 USB3.0高速传输模块 | 第47-48页 |
| 3.4 嵌入式GPU处理平台 | 第48-53页 |
| 3.4.1 GPU硬件结构 | 第49-50页 |
| 3.4.2 并行计算模型 | 第50-51页 |
| 3.4.3 CUDA常用优化方法 | 第51-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第4章 影响偏振成像质量因素研究 | 第55-77页 |
| 4.1 偏振成像影响因素分析 | 第55-68页 |
| 4.1.1 像元串扰 | 第55-57页 |
| 4.1.2 透射率均匀性对偏振探测的影响 | 第57-63页 |
| 4.1.3 光栅角度均匀性对偏振探测的影响 | 第63-64页 |
| 4.1.4 瞬时视场角 | 第64-68页 |
| 4.2 分焦平面偏振探测器融合非均匀校正方法 | 第68-73页 |
| 4.2.1 两点融合定标 | 第68-71页 |
| 4.2.2 多点融合定标 | 第71-73页 |
| 4.3 成像结果与分析 | 第73-76页 |
| 4.4 本章小结 | 第76-77页 |
| 第5章 红外偏振目标识别 | 第77-105页 |
| 5.1 传统目标识别算法 | 第77-83页 |
| 5.2 深度学习理论 | 第83-90页 |
| 5.2.1 神经网络基本结构 | 第83-86页 |
| 5.2.2 卷积层与池化层 | 第86-87页 |
| 5.2.3 分类器与损失函数 | 第87-88页 |
| 5.2.4 损失函数优化 | 第88页 |
| 5.2.5 过拟合 | 第88-90页 |
| 5.3 基于深度学习的目标检测算法 | 第90-97页 |
| 5.3.1 基于候选框的目标检测 | 第90-94页 |
| 5.3.2 基于回归的目标检测 | 第94-97页 |
| 5.4 红外偏振目标识别 | 第97-103页 |
| 5.4.1 SSD网络结构 | 第97-98页 |
| 5.4.2 默认检测框设计与损失函数 | 第98-101页 |
| 5.4.3 样本集制作,训练与测试 | 第101-103页 |
| 5.5 本章小结 | 第103-105页 |
| 第6章 总结与展望 | 第105-109页 |
| 6.1 总结 | 第105-106页 |
| 6.2 展望 | 第106-109页 |
| 参考文献 | 第109-119页 |
| 致谢 | 第119-121页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第121页 |