基于图像序列水上运动船舶识别跟踪技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-12页 |
| ·研究背景及意义 | 第9页 |
| ·国内外研究现状 | 第9-10页 |
| ·本论文主要研究的内容和工作难题 | 第10-11页 |
| ·论文安排结构 | 第11-12页 |
| 第二章 数字图像基础及预处理方法 | 第12-24页 |
| ·引言 | 第12页 |
| ·数字图像的基本概念 | 第12-14页 |
| ·几种常用增强图像的方法 | 第14-19页 |
| ·灰度变换处理方法 | 第14-16页 |
| ·直方均衡化处理方法 | 第16-17页 |
| ·邻域均值滤波处理方法 | 第17页 |
| ·自适应加权中值滤波处理方法 | 第17-18页 |
| ·滤波结果分析与比较 | 第18-19页 |
| ·图像分割和轮廓跟踪处理 | 第19-23页 |
| ·图像阈值分割算法 | 第19-20页 |
| ·自适应阈值分割法 | 第20-21页 |
| ·轮廓提取和轮廓跟踪 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 运动船舶目标的检测 | 第24-31页 |
| ·引言 | 第24页 |
| ·基于区间灰度分布模型的目标检测 | 第24-27页 |
| ·灰度区间模型 | 第24-25页 |
| ·背景模型更新策略 | 第25-26页 |
| ·图像序列中前景判断 | 第26-27页 |
| ·船舶目标检测流程 | 第27页 |
| ·运动船舶检测后处理 | 第27-29页 |
| ·形态学降噪处理 | 第27-28页 |
| ·图像背景扰动消除 | 第28-29页 |
| ·船舶检测鲁棒性分析 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第四章 运动船舶目标的识别 | 第31-46页 |
| ·模式识别基础概述 | 第31页 |
| ·模式识别方法探讨 | 第31-33页 |
| ·模板匹配识别 | 第31页 |
| ·统计模式识别 | 第31-32页 |
| ·句法模式识别 | 第32页 |
| ·神经元网络模式识别 | 第32-33页 |
| ·基于模板匹配的船舶识别 | 第33-35页 |
| ·模板匹配算法描述 | 第33-34页 |
| ·模板匹配识别结果分析 | 第34-35页 |
| ·基于不变矩的船舶特征提取 | 第35-40页 |
| ·不变矩的基本理论 | 第35-37页 |
| ·HU不变矩特征量 | 第37-39页 |
| ·HU不变矩的归一化 | 第39-40页 |
| ·SVM在船舶识别中的应用 | 第40-44页 |
| ·SVM的相关理论 | 第40-43页 |
| ·SVM分类识别流程 | 第43-44页 |
| ·船舶识别结果与分析 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 运动船舶目标的跟踪 | 第46-61页 |
| ·引言 | 第46页 |
| ·现有的运动目标跟踪方法 | 第46-47页 |
| ·基于特征的跟踪 | 第46页 |
| ·基于区域的跟踪 | 第46-47页 |
| ·基于轮廓的跟踪 | 第47页 |
| ·基于卡尔曼滤波的跟踪 | 第47页 |
| ·MeanShift算法在船舶跟踪中的应用 | 第47-51页 |
| ·MeanShift算法原理 | 第47-49页 |
| ·MeanShift算法流程及仿真 | 第49-50页 |
| ·均值偏移跟踪船舶实验效果 | 第50-51页 |
| ·粒子滤波算法在船舶跟踪中的应用 | 第51-55页 |
| ·粒子滤波器基本原理 | 第51-53页 |
| ·粒子滤波算法流程及仿真 | 第53-55页 |
| ·粒子滤波跟踪船舶实验效果 | 第55页 |
| ·两种算法对遮挡问题的处理 | 第55-58页 |
| ·误差和实时性分析 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| ·研究结论 | 第61-62页 |
| ·研究展望 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 致谢 | 第65-66页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第66页 |
