| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-28页 |
| 1.1 课题背景及研究的目的和意义 | 第12-14页 |
| 1.2 红外弱小目标图像的相关概念 | 第14-15页 |
| 1.3 国内外研究现状及分析 | 第15-25页 |
| 1.3.1 红外多光谱图像的目标检测 | 第15-19页 |
| 1.3.2 弱小运动目标的检测前跟踪 | 第19-21页 |
| 1.3.3 多个运动目标的检测与跟踪 | 第21-25页 |
| 1.4 本文主要研究内容 | 第25-28页 |
| 第2章 基于BEMD的多光谱弱小目标融合检测方法 | 第28-56页 |
| 2.1 引言 | 第28页 |
| 2.2 多光谱图像目标融合检测的理论基础 | 第28-30页 |
| 2.3 经典的局部RX算法理论 | 第30-37页 |
| 2.3.1 经典RX算法检测模型的建立 | 第30页 |
| 2.3.2 基于广义似然比检验的检测算子的推导 | 第30-32页 |
| 2.3.3 经典RX算法检测性能的理论分析 | 第32-37页 |
| 2.4 经验模态分解理论（EMD） | 第37-43页 |
| 2.4.1 一维经验模态分解（1D-EMD） | 第37-39页 |
| 2.4.2 二维经验模态分解（BEMD） | 第39-43页 |
| 2.5 基于BEMD的多光谱图像异常检测算法 | 第43-45页 |
| 2.6 弱小目标检测算法的实验验证 | 第45-55页 |
| 2.6.1 仿真实验结果分析 | 第46-52页 |
| 2.6.2 真实的红外多光谱图像测试 | 第52-55页 |
| 2.7 本章小结 | 第55-56页 |
| 第3章 基于粒子滤波的单个弱小运动目标检测前跟踪 | 第56-88页 |
| 3.1 引言 | 第56页 |
| 3.2 红外多光谱图像序列中目标的动力学模型 | 第56-57页 |
| 3.3 红外多光谱图像序列的量测模型 | 第57-58页 |
| 3.4 分布式估计融合策略粒子滤波跟踪算法的建立 | 第58-62页 |
| 3.5 序贯式量测融合策略粒子滤波检测算法的建立 | 第62-67页 |
| 3.6 单个目标检测和跟踪算法的有效性与可行性分析 | 第67-87页 |
| 3.7 本章小结 | 第87-88页 |
| 第4章 基于贝叶斯滤波的多个弱小运动目标检测方法 | 第88-119页 |
| 4.1 引言 | 第88页 |
| 4.2 多目标动力学模型和图像量测模型 | 第88-90页 |
| 4.2.1 多目标动力学模型 | 第89页 |
| 4.2.2 多目标图像量测模型 | 第89-90页 |
| 4.3 基于贝叶斯滤波的多目标检测前跟踪 | 第90-96页 |
| 4.3.1 目标存在变量的建模 | 第91-92页 |
| 4.3.2 混合滤波的目标存在概率和目标状态估计 | 第92-95页 |
| 4.3.3 多个弱小运动目标检测前跟踪算法的建立 | 第95-96页 |
| 4.4 贝叶斯多目标检测前跟踪算法的粒子滤波实现 | 第96-101页 |
| 4.5 多个目标检测算法的实验验证 | 第101-118页 |
| 4.6 本章小结 | 第118-119页 |
| 第5章 基于自适应PHD的多个弱小运动目标跟踪方法 | 第119-144页 |
| 5.1 引言 | 第119页 |
| 5.2 随机有限集理论和PHD滤波器 | 第119-121页 |
| 5.3 基于SMC-PHD的PHD-TBD算法 | 第121-126页 |
| 5.4 自适应多光谱PHD-TBD检测与跟踪算法的建立 | 第126-129页 |
| 5.5 多个目标跟踪算法的有效性和可行性分析 | 第129-142页 |
| 5.6 本章小结 | 第142-144页 |
| 结论 | 第144-146页 |
| 参考文献 | 第146-157页 |
| 攻读博士学位期间发表的论文及其它成果 | 第157-159页 |
| 致谢 | 第159-160页 |
| 个人简历 | 第160页 |
