| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 本课题研究背景与研究意义 | 第11-13页 |
| 1.1.1 IRST低慢小目标检测技术的研究意义 | 第11-12页 |
| 1.1.2 本文要解决的技术难点与算法要求 | 第12-13页 |
| 1.2 相关技术的研究和应用现状 | 第13-16页 |
| 1.2.1 可用于本文应用背景的目标检测算法概述 | 第13-14页 |
| 1.2.2 适合IRST工作实际的低慢小目标检测方法 | 第14-16页 |
| 1.3 本文完成的工作 | 第16-20页 |
| 第二章 天空背景识别和提取算法 | 第20-40页 |
| 2.1 引言 | 第20-23页 |
| 2.2 IRST红外图像中可用来描述场景的特征 | 第23-28页 |
| 2.2.1 局部点特征 | 第23-24页 |
| 2.2.2 Gabor小波与Gist特征 | 第24-26页 |
| 2.2.3 HOG特征与PHOG特征 | 第26-28页 |
| 2.3 IRST红外图像场景分类器 | 第28-31页 |
| 2.3.1 目前常用的分类器 | 第28-30页 |
| 2.3.2 极限学习机（ELM）分类器 | 第30-31页 |
| 2.4 IRST捕获图像中的天空背景提取 | 第31-39页 |
| 2.4.1 全图像天空背景识别 | 第32-35页 |
| 2.4.2 天空地面混合图像中天空背景提取 | 第35-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 基于多尺度目标模型的单帧弱小目标检测算法 | 第40-56页 |
| 3.1 引言 | 第40-41页 |
| 3.2 IRST捕获图像中低慢小目标检测 | 第41-46页 |
| 3.2.1 红外图像中弱小目标特点 | 第41-42页 |
| 3.2.2 弱小目标单帧检测的算法 | 第42-46页 |
| 3.3 基于多尺度目标模型的目标检测算法 | 第46-49页 |
| 3.4 基于多尺度目标模型的目标检测仿真与分析 | 第49-54页 |
| 3.4.1 低门限条件下目标检测效果 | 第49-52页 |
| 3.4.2 存在干扰面目标时的弱小目标检测效果 | 第52-53页 |
| 3.4.3 存在残留地面背景时的弱小目标检测效果 | 第53-54页 |
| 3.5 本章小结 | 第54-56页 |
| 第四章 基于PPU滤波器的多目标TBD检测算法 | 第56-85页 |
| 4.1 引言 | 第56-57页 |
| 4.2 潜在目标点分析 | 第57-61页 |
| 4.3 PHD多目标跟踪理论 | 第61-66页 |
| 4.3.1 贝叶斯滤波 | 第61-64页 |
| 4.3.2 PHD滤波理论 | 第64-66页 |
| 4.4 基于PPU的真实目标提取算法 | 第66-84页 |
| 4.4.1 疑似目标描述分析 | 第66-67页 |
| 4.4.2 PPU滤波器提取真实目标 | 第67-71页 |
| 4.4.3 LPPU滤波器提取真实目标 | 第71-73页 |
| 4.4.4 PPU与LPPU滤波器真实目标提取效果 | 第73-84页 |
| 4.5 本章小结 | 第84-85页 |
| 第五章 结束语 | 第85-87页 |
| 5.1 工作总结 | 第85-86页 |
| 5.2 工作展望 | 第86-87页 |
| 致谢 | 第87-88页 |
| 参考文献 | 第88-93页 |
| 作者在学期间取得的学术成果 | 第93-94页 |
| 附录A 广义有限集的统计特性 | 第94页 |