| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 运动弱小目标检测的国内外现状 | 第10-14页 |
| 1.2.1 运动目标检测的研究现状 | 第10-12页 |
| 1.2.2 弱小目标检测的研究现状 | 第12-13页 |
| 1.2.3 视觉认知与运动目标检测的研究现状 | 第13-14页 |
| 1.3 课题研究目的 | 第14页 |
| 1.4 本文主要研究工作与全文的组织结构 | 第14-16页 |
| 2 线阵CCD弹丸图像的获取 | 第16-23页 |
| 2.1 线阵CCD交汇测量系统的基本原理 | 第16-18页 |
| 2.1.1 线阵CCD的特性及图像特点 | 第16-17页 |
| 2.1.2 线阵CCD交汇测量系统 | 第17-18页 |
| 2.2 复杂背景下目标检测的分析 | 第18-22页 |
| 2.2.1 图像获取环境的分析 | 第18-20页 |
| 2.2.2 实弹弹丸图像的特征 | 第20-21页 |
| 2.2.3 复杂背景下运动目标检测的难点 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 3 基于视觉显著性的运动目标检测 | 第23-44页 |
| 3.1 线阵CCD图像中复杂背景与目标视觉特征分析 | 第23-25页 |
| 3.2 基于差分的视觉显著性的目标检测算法 | 第25-39页 |
| 3.2.1 图像帧间差分 | 第26-28页 |
| 3.2.2 图像滤波 | 第28-33页 |
| 3.2.3 基于线阵图像特点建立特征向量 | 第33-35页 |
| 3.2.4 基于侧抑制原理的显著度图建立 | 第35-39页 |
| 3.3 改进的基于视觉显著性的目标检测算法 | 第39-42页 |
| 3.3.1 双窗口多特征比较法及特征向量的改进 | 第39-42页 |
| 3.3.2 改进算法的优势 | 第42页 |
| 3.4 本章小结 | 第42-44页 |
| 4 基于显著度图的目标分割 | 第44-50页 |
| 4.1 基于显著度图的K均值聚类分割算法 | 第44-46页 |
| 4.1.1 K均值聚类算法的基本思想与算法流程 | 第44-45页 |
| 4.1.2 基于显著度图的K均值聚类分割算法 | 第45-46页 |
| 4.2 基于Mean shift聚类的目标分割 | 第46-49页 |
| 4.2.1 Mean shift聚类分割算法的基本思想 | 第46-49页 |
| 4.2.2 基于Mean shift聚类的目标分割 | 第49页 |
| 4.3 本章小结 | 第49-50页 |
| 5 实验与算法性能分析 | 第50-58页 |
| 5.1 目标检测结果分析 | 第50-55页 |
| 5.1.1 静态背景下的不同形态目标检测分析 | 第50-53页 |
| 5.1.2 对复杂背景下的单目标与四目标图像检测分析 | 第53-55页 |
| 5.2 本文算法与其它检测算法的比较 | 第55-57页 |
| 5.3 本章小结 | 第57-58页 |
| 6 结论 | 第58-61页 |
| 6.1 本文的主要研究成果总结 | 第58-59页 |
| 6.2 结论 | 第59页 |
| 6.3 下一步的工作重点 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文 | 第65-66页 |
| 致谢 | 第66-68页 |
