| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 本文章节安排 | 第12-14页 |
| 第二章 无人机视觉系统关键技术 | 第14-20页 |
| 2.1 飞行平台系统概述 | 第14-16页 |
| 2.2 机载视觉系统介绍 | 第16-18页 |
| 2.3 无人机跟踪系统原理 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于HOG特征的人体检测算法研究 | 第20-31页 |
| 3.1 构建图像样本库 | 第20-21页 |
| 3.2 HOG特征提取 | 第21-25页 |
| 3.2.1 归一化图像 | 第22页 |
| 3.2.2 获取图像梯度信息 | 第22-24页 |
| 3.2.3 计算cell单元内梯度直方图 | 第24页 |
| 3.2.4 块内归一化梯度直方图 | 第24-25页 |
| 3.2.5 获取HOG特征 | 第25页 |
| 3.3 分类器训练 | 第25-28页 |
| 3.3.1 基于SVM支持向量机的分类器 | 第25-26页 |
| 3.3.2 SVM支持向量机的数学原理 | 第26-28页 |
| 3.4 基于HOG特征和SVM分类器的人体检测 | 第28-30页 |
| 3.4.1 分类器的训练及人体检测方法 | 第28-29页 |
| 3.4.2 实验结果分析 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 改进的人体检测算法 | 第31-45页 |
| 4.1 LDA算法 | 第31-34页 |
| 4.1.1 LDA算法原理 | 第32页 |
| 4.1.2 LDA降维步骤 | 第32-34页 |
| 4.2 改进的HOG特征提取算法 | 第34-35页 |
| 4.2.1 原始的HOG特征提取分析 | 第34-35页 |
| 4.2.2 改进的HOG特征提取方法 | 第35页 |
| 4.3 LBP特征 | 第35-39页 |
| 4.3.1 基本LBP特征算子 | 第35-36页 |
| 4.3.2 扩展LBP特征算子 | 第36-37页 |
| 4.3.3 LBP特征的旋转不变模式 | 第37页 |
| 4.3.4 LBP特征等价模式 | 第37-38页 |
| 4.3.5 LBP特征提取 | 第38页 |
| 4.3.6 实验结果分析 | 第38-39页 |
| 4.4 基于融合特征的人体检测算法 | 第39-41页 |
| 4.4.1 HOG+LBP特征融合 | 第39-40页 |
| 4.4.2 改进的检测流程 | 第40-41页 |
| 4.5 实验结果分析 | 第41-44页 |
| 4.5.1 相关特征算子的检测实验 | 第41-42页 |
| 4.5.2 实验结果分析 | 第42-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 基于Camshift与EKF的人体跟踪算法研究 | 第45-58页 |
| 5.1 Camshift跟踪算法 | 第45-51页 |
| 5.1.1 Meanshift算法概述 | 第45-47页 |
| 5.1.2 Meanshift算法应用 | 第47-50页 |
| 5.1.3 Camshift算法原理 | 第50-51页 |
| 5.2 EKF算法 | 第51-54页 |
| 5.2.1 Kalman滤波概述 | 第51-52页 |
| 5.2.2 EKF预测更新过程 | 第52-54页 |
| 5.3 Camshift与EKF组合跟踪算法 | 第54-55页 |
| 5.4 实验结果分析 | 第55-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 综合实验结果与分析 | 第58-61页 |
| 6.1 特征融合的人体检测跟踪系统 | 第58-59页 |
| 6.2 实验结果与分析 | 第59-60页 |
| 6.3 本章小结 | 第60-61页 |
| 第七章 总结与展望 | 第61-63页 |
| 7.1 本文研究工作总结 | 第61页 |
| 7.2 未来研究工作展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68页 |