| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 藏羚羊检测面临的挑战 | 第17-18页 |
| 1.4 论文主要内容及结构 | 第18-20页 |
| 第二章 藏羚羊图像数据库及目标检测技术基础 | 第20-32页 |
| 2.1 引言 | 第20页 |
| 2.2 藏羚羊图像数据库 | 第20-24页 |
| 2.2.1 藏羚羊图像数据库构建 | 第20-21页 |
| 2.2.2 藏羚羊图像分类 | 第21-24页 |
| 2.3 基于特征提取的目标检测方法 | 第24-25页 |
| 2.3.1 目标检测常用特征 | 第24-25页 |
| 2.3.2 常用机器学习算法 | 第25页 |
| 2.4 基于卷积神经网络的目标检测方法 | 第25-30页 |
| 2.4.1 卷积神经网络 | 第25-27页 |
| 2.4.2 基于区域建议的目标检测方法 | 第27-29页 |
| 2.4.3 基于回归的目标检测方法 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 运动模糊藏羚羊图像盲复原 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 图像退化复原模型 | 第32-33页 |
| 3.3 基于双边滤波的藏羚羊图像预处理 | 第33-36页 |
| 3.4 基于标准化稀疏先验的模糊核估计 | 第36-39页 |
| 3.4.1 藏羚羊图像标准化稀疏先验 | 第36-37页 |
| 3.4.2 标准化稀疏先验的模糊核估计 | 第37-39页 |
| 3.5 基于超拉普拉斯的藏羚羊图像非盲复原 | 第39-41页 |
| 3.5.1 超拉普拉斯拟合 | 第39-40页 |
| 3.5.2 快速去卷积算法 | 第40-41页 |
| 3.6 实验结果及分析 | 第41-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第四章 基于特征融合的藏羚羊检测方法 | 第44-62页 |
| 4.1 引言 | 第44页 |
| 4.2 藏羚羊特征选择和提取 | 第44-51页 |
| 4.2.1 HOG特征提取 | 第45-47页 |
| 4.2.2 MRBLBP特征提取 | 第47-50页 |
| 4.2.3 HOG-MRBLBP融合特征 | 第50-51页 |
| 4.3 基于HOG-MRBLBP融合特征的藏羚羊检测方法 | 第51-56页 |
| 4.3.1 支持向量机 | 第52页 |
| 4.3.2 多类别藏羚羊检测模型训练 | 第52-54页 |
| 4.3.3 基于Open MP的多类别藏羚羊检测 | 第54-56页 |
| 4.4 实验结果及分析 | 第56-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第五章 基于卷积神经网络的藏羚羊检测方法 | 第62-74页 |
| 5.1 引言 | 第62页 |
| 5.2 YOLO v2模型介绍 | 第62-66页 |
| 5.2.1 特征提取网络 | 第62-63页 |
| 5.2.2 检测网络 | 第63-64页 |
| 5.2.3 边界框计算和分类 | 第64-65页 |
| 5.2.4 损失函数 | 第65-66页 |
| 5.3 基于YOLO v2的藏羚羊检测方案设计 | 第66-70页 |
| 5.3.1 构建数据集 | 第66-67页 |
| 5.3.2 目标框维度聚类 | 第67-69页 |
| 5.3.3 部分参数调整 | 第69-70页 |
| 5.3.4 模型训练 | 第70页 |
| 5.4 实验结果及分析 | 第70-73页 |
| 5.5 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 工作总结 | 第74-75页 |
| 6.2 工作展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |