| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究动态 | 第11-16页 |
| 1.2.1 无源毫米波探测系统发展与应用 | 第11-14页 |
| 1.2.2 无源毫米波图像目标跟踪技术发展与应用 | 第14-16页 |
| 1.3 目标跟踪需解决的问题 | 第16页 |
| 1.4 本论文的主要工作和章节安排 | 第16-18页 |
| 第二章 无源毫米波成像技术及隐匿目标跟踪技术基础 | 第18-23页 |
| 2.1 无源毫米波成像理论基础 | 第18-20页 |
| 2.1.1 黑体辐射理论 | 第18-19页 |
| 2.1.2 目标辐射特性建模 | 第19-20页 |
| 2.2 无源毫米波成像系统介绍 | 第20-21页 |
| 2.3 隐匿目标跟踪技术基础 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于多特征的压缩跟踪算法研究 | 第23-43页 |
| 3.1 目标特征模型概述 | 第23-24页 |
| 3.2 基于灰度信息的目标特征 | 第24-29页 |
| 3.2.1 HOG特征 | 第24-25页 |
| 3.2.2 Harr特征 | 第25-27页 |
| 3.2.3 SIFT特征 | 第27-29页 |
| 3.3 图像特征压缩 | 第29-33页 |
| 3.3.1 压缩感知理论基础 | 第30-31页 |
| 3.3.2 压缩跟踪模型建立 | 第31-32页 |
| 3.3.3 压缩跟踪算法实验仿真及结果分析 | 第32-33页 |
| 3.4 改进后的压缩跟踪算法 | 第33-42页 |
| 3.4.1 基于特征融合的压缩跟踪算法及实验仿真分析 | 第34-38页 |
| 3.4.2 基于SIFT特征自适应更新速率的压缩跟踪算法及实验仿真分析 | 第38-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 在线集成学习目标压缩跟踪算法研究 | 第43-58页 |
| 4.1 在线学习跟踪算法简介 | 第43页 |
| 4.2 贝叶斯决策理论的分类器 | 第43-48页 |
| 4.2.1 贝叶斯决策理论 | 第44-46页 |
| 4.2.2 基于朴素贝叶斯的压缩跟踪算法 | 第46-48页 |
| 4.3 随机森林分类器的理论基础 | 第48-50页 |
| 4.3.1 决策树模型 | 第48-49页 |
| 4.3.2 集成学习 | 第49-50页 |
| 4.4 基于在线随机森林的压缩跟踪算法 | 第50-53页 |
| 4.4.1 随机森林分类器 | 第50-51页 |
| 4.4.2 在线学习 | 第51-52页 |
| 4.4.3 在线随机森林 | 第52-53页 |
| 4.5 实验仿真及结果分析 | 第53-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 毫米波无源图像序列目标定位算法应用研究 | 第58-73页 |
| 5.1 无源毫米波成像目标定位技术难点 | 第58-59页 |
| 5.2 区域提取 | 第59-65页 |
| 5.2.1 MSER区域提取 | 第60-62页 |
| 5.2.2 人体区域提取 | 第62-65页 |
| 5.3 无源毫米波图像目标定位算法研究 | 第65-70页 |
| 5.3.1 人体以及目标初始位置判定 | 第66-67页 |
| 5.3.2 隐匿动目标边检测边跟踪方法研究 | 第67-70页 |
| 5.4 无源毫米波图像序列目标定位仿真实验 | 第70-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 工作总结 | 第73-74页 |
| 6.2 工作展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间的研究成果 | 第80-81页 |