| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 缩略词 | 第16-17页 |
| 第1章 绪论 | 第17-45页 |
| 1.1 背景与意义 | 第17-18页 |
| 1.2 国内外研究现状和发展趋势分析 | 第18-40页 |
| 1.2.1 国内外无人机目标检测跟踪系统的发展现状 | 第18-26页 |
| 1.2.2 国内外目标检测算法技术研究现状 | 第26-35页 |
| 1.2.3 国内外目标跟踪算法技术研究现状 | 第35-39页 |
| 1.2.4 存在的问题和难点分析 | 第39-40页 |
| 1.3 论文的研究内容和创新点 | 第40-45页 |
| 1.3.1 研究内容与章节安排 | 第41-42页 |
| 1.3.2 创新点 | 第42-45页 |
| 第2章 基于目标特性的微小目标检测 | 第45-69页 |
| 2.1 基于K-Means的非结构环境场景分割 | 第45-47页 |
| 2.2 LSH光照不变特性 | 第47-50页 |
| 2.3 融合梯度响应的显著性物体检测 | 第50-54页 |
| 2.3.1 显著性物体检测 | 第50-52页 |
| 2.3.2 融合梯度响应的显著物体检测 | 第52-54页 |
| 2.4 基于无人机位姿信息的形态学处理 | 第54-56页 |
| 2.5 仿真与分析 | 第56-66页 |
| 2.5.1 性能评价指标 | 第56-58页 |
| 2.5.2 航拍图像与数据库 | 第58-61页 |
| 2.5.3 仿真分析 | 第61-66页 |
| 2.6 本章小结 | 第66-69页 |
| 第3章 基于机器学习的小目标检测 | 第69-87页 |
| 3.1 联合旋转不变特征 | 第69-78页 |
| 3.1.1 旋转不变HOG特征 | 第69-74页 |
| 3.1.2 LBP特征 | 第74-77页 |
| 3.1.3 FHOG-LBP联合旋转不变特征 | 第77-78页 |
| 3.2 支持向量机 | 第78-82页 |
| 3.3 仿真与分析 | 第82-85页 |
| 3.4 本章小结 | 第85-87页 |
| 第4章 适用于小目标检测的卷积神经网络 | 第87-109页 |
| 4.1 相关基础理论知识 | 第87-95页 |
| 4.1.1 卷积神经网络 | 第87-88页 |
| 4.1.2 激活函数 | 第88-89页 |
| 4.1.3 基于SGD的softmax求解 | 第89-92页 |
| 4.1.4 caffe深度学习平台 | 第92-95页 |
| 4.2 卷积神经网络在小目标检测上的应用 | 第95-101页 |
| 4.2.1 Faster R-CNN网络针对小目标检测的优化 | 第95-97页 |
| 4.2.2 基于PBTP的小目标检测神经网络 | 第97-101页 |
| 4.3 仿真与分析 | 第101-106页 |
| 4.4 本章小结 | 第106-109页 |
| 第5章 基于核相关滤波器的时空上下文小目标跟踪方法研究 | 第109-123页 |
| 5.1 核相关滤波器跟踪算法 | 第109-111页 |
| 5.1.1 循环矩阵 | 第109-110页 |
| 5.1.2 正则化最小二乘分类 | 第110-111页 |
| 5.2 时空上下文目标跟踪 | 第111-114页 |
| 5.3 基于ARM的小目标检测与跟踪系统构建 | 第114-117页 |
| 5.3.1 硬件部分 | 第114-115页 |
| 5.3.2 软件部分 | 第115-117页 |
| 5.4 试验与分析 | 第117-121页 |
| 5.4.1 目标跟踪的数据库与评价指标 | 第117-118页 |
| 5.4.2 算法仿真试验 | 第118-119页 |
| 5.4.3 固定翼无人机ARM嵌入式平台试验 | 第119-121页 |
| 5.5 本章小结 | 第121-123页 |
| 第6章 总结与展望 | 第123-125页 |
| 6.1 总结及主要贡献 | 第123-124页 |
| 6.2 研究展望 | 第124-125页 |
| 参考文献 | 第125-141页 |
| 攻读博士学位期间取得的科研成果 | 第141-143页 |
| 致谢 | 第143页 |
