| 第一章 绪论 | 第1-20页 |
| ·本课题研究的目的和意义 | 第12-13页 |
| ·图像识别与跟踪的研究现状 | 第13-18页 |
| ·本课题的主要研究内容 | 第18-19页 |
| ·小结 | 第19-20页 |
| 第二章 飞机目标的分割方法研究 | 第20-36页 |
| ·遗传算法在图像分割中的应用 | 第20-27页 |
| ·基于遗传算法的类间类内综合方差的图像分割 | 第21-23页 |
| ·基于遗传算法的二维最小交叉熵图像分割 | 第23-25页 |
| ·分割方法的应用与分析 | 第25-27页 |
| ·彩色特征目标相似度量分割 | 第27-32页 |
| ·Kohonen 神经网络在彩色图像分割中的应用 | 第32-35页 |
| ·Kohonen 神经网络原理 | 第33页 |
| ·Kohonen 网络分割 | 第33-34页 |
| ·Kohonen 网络分割应用与分析 | 第34-35页 |
| ·小结 | 第35-36页 |
| 第三章 飞机目标图像检测技术研究 | 第36-44页 |
| ·运动飞机目标图像的差分检测法 | 第36-38页 |
| ·运动飞机目标图像的投影检测法 | 第38-40页 |
| ·多飞机目标图像提取法 | 第40-43页 |
| ·聚类和学习 | 第41-42页 |
| ·结果分析与讨论 | 第42-43页 |
| ·小结 | 第43-44页 |
| 第四章 动态飞机目标自动识别技术研究 | 第44-79页 |
| ·基于学习向量量化的动态飞机目标自动识别方法研究 | 第44-46页 |
| ·学习向量量化原理 | 第45-46页 |
| ·基于 LVQ 动态飞机识别结果与分析 | 第46页 |
| ·基于神经网络的多成像传感器数据融合技术的飞机目标自动识别方法研究 | 第46-52页 |
| ·小波神经网络学习算法 | 第47-49页 |
| ·决策级数据融合的算法 | 第49-50页 |
| ·实验结果及分析 | 第50-52页 |
| ·基于改进支持向量机的动态飞机目标自动识别方法研究 | 第52-58页 |
| ·支持向量机概述 | 第52页 |
| ·支持向量机的基本原理 | 第52-53页 |
| ·支持向量机算法改进 | 第53-57页 |
| ·实验结果及分析 | 第57-58页 |
| ·线性规划进行动态飞机目标自动识别方法研究 | 第58-62页 |
| ·问题的提出 | 第58-59页 |
| ·样本的筛选 | 第59-60页 |
| ·拟支持向量的提取 | 第60-61页 |
| ·线性规划识别 | 第61-62页 |
| ·线性规划识别实验结果及分析 | 第62页 |
| ·基于飞机特征样本向量最小夹角和最小距离分类识别方法研究 | 第62-69页 |
| ·可分类识别率的定义 | 第63-64页 |
| ·样本点的筛选 | 第64-65页 |
| ·最小样本向量夹角识别 | 第65页 |
| ·样本向量间夹角、距离综合识别 | 第65-67页 |
| ·实验结果与分析 | 第67-69页 |
| ·非监督层次分类方法研究 | 第69-74页 |
| ·遗传算法在样本分类中的应用 | 第69-70页 |
| ·相似性度量分类 | 第70页 |
| ·类数的确定 | 第70-71页 |
| ·实验结果与分析 | 第71-74页 |
| ·学习向量量化网络识别 | 第74页 |
| ·目标识别效果的评价体系研究 | 第74-77页 |
| ·单因素评价指标 | 第74-77页 |
| ·综合评价指标 | 第77页 |
| ·几种不同飞机识别方法结果的比较与分析 | 第77页 |
| ·小结 | 第77-79页 |
| 第五章 运动飞机目标跟踪算法研究 | 第79-88页 |
| ·基于颜色特征的跟踪研究 | 第79-87页 |
| ·彩色模板匹配 | 第80-81页 |
| ·卡尔曼滤波跟踪预测 | 第81-84页 |
| ·分割区域的选择 | 第84-85页 |
| ·图像的分割 | 第85页 |
| ·训练集的获取 | 第85-86页 |
| ·实验结果及讨论 | 第86-87页 |
| ·小结 | 第87-88页 |
| 第六章 总结和展望 | 第88-90页 |
| ·论文工作总结 | 第88-89页 |
| ·研究展望 | 第89-90页 |
| 参考文献 | 第90-93页 |
| 致谢 | 第93-94页 |
| 在学期间的研究成果及发表的学术论文 | 第94页 |
