| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和研究意义 | 第10-11页 |
| 1.2 移动目标检测识别的国内外研究现状及存在问题 | 第11-12页 |
| 1.2.1 移动目标检测和识别的国内外研究现状 | 第11-12页 |
| 1.2.2 移动目标识别存在的主要问题及本文的解决方法 | 第12页 |
| 1.3 移动目标跟踪的国内外研究现状及存在问题 | 第12-14页 |
| 1.3.1 移动目标跟踪的国内外研究现状 | 第12-14页 |
| 1.3.2 移动目标跟踪存在的主要问题及本文的解决方法 | 第14页 |
| 1.4 本文内容组织 | 第14-16页 |
| 第二章 基于改进YOLO的多特征移动轮船目标识别算法 | 第16-46页 |
| 2.1 本文使用的特征提取方法 | 第16-21页 |
| 2.1.1 HOG特征提取方法 | 第16-18页 |
| 2.1.2 LBP特征提取方法 | 第18-20页 |
| 2.1.3 卷积神经网络特征提取方法 | 第20-21页 |
| 2.2 基于深度学习的目标检测方法 | 第21-26页 |
| 2.2.1 SPP-NET | 第21-22页 |
| 2.2.2 Fast R-CNN | 第22-24页 |
| 2.2.3 YOLO | 第24-26页 |
| 2.3 多特征融合方式 | 第26-31页 |
| 2.3.1 改进的加权组合特征融合方法 | 第27-29页 |
| 2.3.2 人工神经网络特征融合方法 | 第29-31页 |
| 2.4 基于改进YOLO的多特征移动轮船目标识别方法 | 第31-37页 |
| 2.4.1 轮船多特征融合方法 | 第31-34页 |
| 2.4.2 基于改进YOLO的多特征移动轮船目标识别方法 | 第34-37页 |
| 2.5 实验结果与分析 | 第37-45页 |
| 2.5.1 实验环境 | 第37页 |
| 2.5.2 实验数据 | 第37-40页 |
| 2.5.3 改进前后实验结果对比及分析 | 第40-45页 |
| 2.6 本章小结 | 第45-46页 |
| 第三章 基于改进的SIFT轮船运动目标跟踪及轨迹获取 | 第46-63页 |
| 3.1 尺度不变特征变换匹配 | 第46-49页 |
| 3.1.1 SIFT特征提取 | 第47-48页 |
| 3.1.2 SIFT特征向量匹配 | 第48-49页 |
| 3.2 改进的SIFT与改进的YOLO相结合的轮船运动目标跟踪及轨迹获取 | 第49-55页 |
| 3.2.1 MDS算法 | 第49-51页 |
| 3.2.2 改进后的SFIT轮船特征匹配 | 第51-54页 |
| 3.2.3 结合改进的YOLO的轮船运动目标跟踪及轨迹获取方法 | 第54-55页 |
| 3.3 实验结果与分析 | 第55-62页 |
| 3.3.1 实验环境 | 第55页 |
| 3.3.2 实验数据特性分析 | 第55-56页 |
| 3.3.3 与TLD及Kalman滤波跟踪方法的实验结果对比及分析 | 第56-62页 |
| 3.4 本章小结 | 第62-63页 |
| 第四章 结论与展望 | 第63-65页 |
| 4.1 本文研究工作总结 | 第63-64页 |
| 4.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 在学期间的研究成果 | 第69-70页 |
| 致谢 | 第70页 |
