| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究的背景和意义 | 第12-13页 |
| 1.2 地面目标识别技术国内外研究现状 | 第13-15页 |
| 1.2.1 可见光图像传感器地面目标识别 | 第13-14页 |
| 1.2.2 红外传感器地面目标识别 | 第14-15页 |
| 1.3 本文主要研究内容和各章安排 | 第15-18页 |
| 1.3.1 本文主要研究内容 | 第15-16页 |
| 1.3.2 论文的组织结构 | 第16-18页 |
| 第2章 图像预处理和运动目标检测方法研究 | 第18-35页 |
| 2.1 数字图像的基本概念 | 第18-19页 |
| 2.2 可见光图像和红外图像的差异 | 第19-20页 |
| 2.3 地面目标的图像平滑 | 第20-25页 |
| 2.3.1 邻域均值滤波 | 第21-22页 |
| 2.3.2 中值滤波 | 第22-23页 |
| 2.3.3 高斯滤波 | 第23页 |
| 2.3.4 图像平滑方法实验分析 | 第23-25页 |
| 2.4 运动目标检测算法研究 | 第25-34页 |
| 2.4.1 光流法 | 第25-26页 |
| 2.4.2 帧间差分法 | 第26-28页 |
| 2.4.3 背景差分法 | 第28-31页 |
| 2.4.4 改进的运动目标检测算法 | 第31-33页 |
| 2.4.5 运动目标的定位 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 Haar-like特征和积分图像法研究 | 第35-45页 |
| 3.1 Haar-like矩形特征 | 第35-41页 |
| 3.1.1 Haar-like矩形特征的起源 | 第35-37页 |
| 3.1.2 Haar-like矩形特征的表示 | 第37-40页 |
| 3.1.3 计算图像子窗口中Haar-like特征的数量 | 第40-41页 |
| 3.2 利用积分图像加速计算Haar-like矩形特征 | 第41-44页 |
| 3.2.1 0°倾角积分图像 | 第41-42页 |
| 3.2.2 45°倾角的积分图像 | 第42-44页 |
| 3.3 本章小结 | 第44-45页 |
| 第4章 地面目标识别分类算法研究 | 第45-60页 |
| 4.1 SVM支持向量机 | 第45-50页 |
| 4.1.1 线性可分情况 | 第46-48页 |
| 4.1.2 线性不可分情况 | 第48-50页 |
| 4.2 AdaBoost算法理论 | 第50-53页 |
| 4.2.1 Boosting研究概述 | 第50-51页 |
| 4.2.2 Boosting基本思想 | 第51-52页 |
| 4.2.3 Adaboost分类模型 | 第52-53页 |
| 4.3 改进的AdaBoost算法 | 第53-58页 |
| 4.3.1 Gentle AdaBoost算法 | 第53-55页 |
| 4.3.2 改进的AdaBoost算法 | 第55-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第5章 基于多传感器的地面目标识别仿真系统 | 第60-72页 |
| 5.1 实验设备和软件平台 | 第60-61页 |
| 5.2 地面目标库的建立 | 第61-63页 |
| 5.2.1 地面目标训练样本库的建立 | 第61-63页 |
| 5.2.2 地面目标测试样本库的建立 | 第63页 |
| 5.3 分类器的训练 | 第63-67页 |
| 5.3.1 样本准备 | 第64-65页 |
| 5.3.2 样本预处理 | 第65-66页 |
| 5.3.3 样本训练 | 第66-67页 |
| 5.4 识别过程及结果分析 | 第67-71页 |
| 5.5 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第78-79页 |
| 致谢 | 第79-80页 |