基于机器视觉的机场跑道异物监测技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 选题背景和研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 2 图像预处理技术 | 第16-26页 |
| 2.1 跑道区域划定 | 第16页 |
| 2.2 彩色图像灰度化 | 第16-17页 |
| 2.3 图像去噪 | 第17-21页 |
| 2.3.1 均值滤波器 | 第18-19页 |
| 2.3.2 高斯滤波器 | 第19-20页 |
| 2.3.3 中值滤波器 | 第20-21页 |
| 2.4 图像增强 | 第21-25页 |
| 2.4.1 梯度锐化 | 第22-23页 |
| 2.4.2 拉普拉斯锐化 | 第23-25页 |
| 2.5 小结 | 第25-26页 |
| 3 机场跑道异物检测 | 第26-43页 |
| 3.1 常用的运动目标检测算法 | 第26-31页 |
| 3.1.1 光流法 | 第26-27页 |
| 3.1.2 帧差法 | 第27-29页 |
| 3.1.3 混合高斯模型 | 第29-31页 |
| 3.2 机场跑道异物检测算法 | 第31-37页 |
| 3.2.1 背景减法 | 第31-32页 |
| 3.2.2 背景建模 | 第32-34页 |
| 3.2.3 背景更新 | 第34-37页 |
| 3.2.4 伪目标去除 | 第37页 |
| 3.3 二值图像的形态学处理 | 第37-40页 |
| 3.3.1 腐蚀与膨胀 | 第37-39页 |
| 3.3.2 开运算与闭运算 | 第39-40页 |
| 3.4 实验结果与分析 | 第40-42页 |
| 3.5 小结 | 第42-43页 |
| 4 机场跑道异物识别 | 第43-56页 |
| 4.1 分类特征的提取 | 第43-47页 |
| 4.1.1 分类特征的选择 | 第43页 |
| 4.1.2 LBP算子 | 第43-46页 |
| 4.1.3 分类特征的提取 | 第46-47页 |
| 4.2 SVM训练分类 | 第47-54页 |
| 4.2.1 SVM原理 | 第47-49页 |
| 4.2.2 多分类SVM | 第49-51页 |
| 4.2.3 SVM离线训练 | 第51-54页 |
| 4.2.4 SVM在线识别 | 第54页 |
| 4.3 实验结果与分析 | 第54-55页 |
| 4.4 小结 | 第55-56页 |
| 5 系统设计及其软件原型实现 | 第56-63页 |
| 5.1 系统硬件结构及其功能 | 第56页 |
| 5.2 系统软件原型实现 | 第56-62页 |
| 5.2.1 开发工具简介 | 第56-57页 |
| 5.2.2 软件原型的实现与模块介绍 | 第57-62页 |
| 5.3 小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读学位期间的研究成果 | 第68页 |
