| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1. 绪论 | 第10-18页 |
| 1.1 课题研究背景与意义 | 第10页 |
| 1.2 课题研究现状 | 第10-14页 |
| 1.2.1 图像预处理研究现状 | 第10-12页 |
| 1.2.2 目标跟踪研究现状 | 第12-14页 |
| 1.3 小目标跟踪困难及问题 | 第14-15页 |
| 1.4 文章主要研究内容及章节安排 | 第15-16页 |
| 1.4.1 主要研究内容 | 第15-16页 |
| 1.4.2 文章的结构安排 | 第16页 |
| 1.5 本章小结 | 第16-18页 |
| 2. 空中目标跟踪关键技术 | 第18-24页 |
| 2.1 概述 | 第18页 |
| 2.2 图像预处理技术 | 第18-20页 |
| 2.2.1 图像去噪 | 第18-19页 |
| 2.2.2 图像增强 | 第19-20页 |
| 2.3 空中目标跟踪技术 | 第20-23页 |
| 2.3.1 基于MDNet的目标跟踪方法 | 第20-21页 |
| 2.3.2 基于自回归模型的运动轨迹估计 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3. 基于混合模型的星空图像去噪方法 | 第24-34页 |
| 3.1 概述 | 第24页 |
| 3.2 基于FFDNet与中值滤波器的图像去噪方法 | 第24-27页 |
| 3.2.1 网络学习算法 | 第25-26页 |
| 3.2.2 网络训练 | 第26-27页 |
| 3.2.3 中值滤波器 | 第27页 |
| 3.3 基于直觉模糊集的图像增强方法 | 第27-28页 |
| 3.4 实验仿真与效果评价 | 第28-32页 |
| 3.4.1 主观评价 | 第29-31页 |
| 3.4.2 客观评价 | 第31-32页 |
| 3.5 本章小结 | 第32-34页 |
| 4. 基于多域卷积神经网络和自回归模型的空中小目标跟踪方法 | 第34-48页 |
| 4.1 概述 | 第34-35页 |
| 4.2 基于MDNet的目标跟踪方法 | 第35-39页 |
| 4.2.1 网络学习算法 | 第35页 |
| 4.2.2 网络训练 | 第35-36页 |
| 4.2.3 在线跟踪 | 第36-39页 |
| 4.3 基于自回归模型的运动轨迹估计方法 | 第39-41页 |
| 4.3.1 AR模型运动轨迹估计 | 第39-40页 |
| 4.3.2 主要算法实现 | 第40-41页 |
| 4.4 实验仿真与效果评价 | 第41-46页 |
| 4.4.1 主观评价 | 第41-43页 |
| 4.4.2 客观评价 | 第43-46页 |
| 4.5 本章小结 | 第46-48页 |
| 5. 空中目标跟踪系统的设计与实现 | 第48-56页 |
| 5.1 概述 | 第48页 |
| 5.2 需求分析 | 第48页 |
| 5.3 系统概要设计 | 第48-49页 |
| 5.4 系统详细设计 | 第49-50页 |
| 5.4.1 图像预处理模块设计 | 第49页 |
| 5.4.2 目标跟踪模块设计 | 第49-50页 |
| 5.5 系统界面设计及功能实现 | 第50-54页 |
| 5.5.1 图像预处理过程 | 第51-52页 |
| 5.5.2 目标跟踪过程 | 第52-54页 |
| 5.6 本章小结 | 第54-56页 |
| 6. 总结与展望 | 第56-58页 |
| 6.1 本文工作及创新点总结 | 第56-57页 |
| 6.2 下一步研究计划 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第64-66页 |
| 致谢 | 第66-67页 |