| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第14-15页 |
| 缩略语对照表 | 第15-21页 |
| 第一章 绪论 | 第21-41页 |
| 1.1 研究背景及意义 | 第21-22页 |
| 1.2 飞行器机器视觉技术发展剖析 | 第22-27页 |
| 1.2.1 发展历史及特征 | 第22-23页 |
| 1.2.2 迭代模式剖析 | 第23-24页 |
| 1.2.3 发展趋势 | 第24-27页 |
| 1.3 研究现状 | 第27-34页 |
| 1.3.1 总体框架研究现状 | 第27-28页 |
| 1.3.2 分层子框架研究现状 | 第28-31页 |
| 1.3.3 关键算法研究现状 | 第31-34页 |
| 1.4 研究要点及难点分析 | 第34-37页 |
| 1.5 论文主要研究内容及组织结构 | 第37-41页 |
| 第二章 异构飞行器机器视觉自适应处理框架设计 | 第41-57页 |
| 2.1 框架设计背景 | 第41-43页 |
| 2.1.1 研究现状 | 第41-42页 |
| 2.1.2 研究现状分析 | 第42-43页 |
| 2.2 框架设计概述 | 第43-46页 |
| 2.3 硬件框架设计 | 第46-54页 |
| 2.3.1 飞行器视觉信息感知节点 | 第47-49页 |
| 2.3.2 分布式计算加速网络 | 第49-51页 |
| 2.3.3 云服务器 | 第51-52页 |
| 2.3.4 节点融合设计 | 第52-54页 |
| 2.4 框架内关键算法 | 第54-56页 |
| 2.4.1 智能互联层关键算法 | 第54-55页 |
| 2.4.2 后台分析层关键算法 | 第55页 |
| 2.4.3 智能决策层关键算法 | 第55-56页 |
| 2.5 本章小结 | 第56-57页 |
| 第三章 基于多信源特征融合的视觉信息处理通道框架 | 第57-79页 |
| 3.1 研究必要性 | 第57-58页 |
| 3.2 人类视觉注意机制 | 第58-60页 |
| 3.3 基于多信源特征融合的视觉信息处理通道框架 | 第60-66页 |
| 3.3.1 视频信息处理通道 | 第60-61页 |
| 3.3.2 提取方法 | 第61-62页 |
| 3.3.3 关键属性 | 第62-64页 |
| 3.3.4 特性及意义 | 第64-65页 |
| 3.3.5 基于视觉信息处理通道的提取方法验证 | 第65-66页 |
| 3.4 动态超像素更新框架 | 第66-76页 |
| 3.4.1 超像素生成技术应用 | 第66-69页 |
| 3.4.2 g SLIC的嵌入式应用 | 第69-71页 |
| 3.4.3 基于IMU信息的超像素区块更新策略 | 第71-72页 |
| 3.4.4 实验验证 | 第72-76页 |
| 3.5 本章小结 | 第76-79页 |
| 第四章 多层分布式飞行器机器视觉处理框架设计 | 第79-101页 |
| 4.1 信息预处理模块 | 第80-83页 |
| 4.1.1 高价值区域搜索 | 第81页 |
| 4.1.2 多传感器信息配准 | 第81-83页 |
| 4.2 目标检测模块 | 第83-86页 |
| 4.2.1 可疑目标定位 | 第83-84页 |
| 4.2.2 可疑目标预处理 | 第84-86页 |
| 4.3 目标识别模块 | 第86-93页 |
| 4.3.1 支持向量机分类器 | 第87页 |
| 4.3.2 随机森林分类器 | 第87-89页 |
| 4.3.3 神经网络分类器 | 第89-90页 |
| 4.3.4 深度神经网络分类器 | 第90-93页 |
| 4.4 实验测试 | 第93-94页 |
| 4.5 实验结果分析 | 第94-99页 |
| 4.5.1 查全率分析 | 第94-96页 |
| 4.5.2 查准率分析 | 第96-98页 |
| 4.5.3 计算时长对比 | 第98-99页 |
| 4.6 本章小结 | 第99-101页 |
| 第五章 基于时空域信息融合的飞行器三维位置及姿态监测方法 | 第101-121页 |
| 5.1 飞行器三维定位方法 | 第101-103页 |
| 5.1.1 基于机载传感器的定位方法 | 第101-102页 |
| 5.1.2 基于外置传感器网络的定位方法 | 第102-103页 |
| 5.2 现有方法分析 | 第103-104页 |
| 5.3 基于图像序列的三维结构重构概述 | 第104-108页 |
| 5.3.1 基于时空域信息融合的对象三维结构重建 | 第104页 |
| 5.3.2 基于多光源场景下的理论框架 | 第104-106页 |
| 5.3.3 基于单光源场景下的理论框架 | 第106-108页 |
| 5.4 基于SA-SFM方法的飞行器监控方法 | 第108-116页 |
| 5.4.1 飞行器三维定位方法 | 第108-112页 |
| 5.4.2 飞行状态监控方法 | 第112-116页 |
| 5.5 实验研究 | 第116-119页 |
| 5.5.1 位置跟踪实验结果 | 第117页 |
| 5.5.2 姿态提取实验结果分析 | 第117-119页 |
| 5.6 本章小结 | 第119-121页 |
| 第六章 基于可供性特征的区域理解方法研究 | 第121-135页 |
| 6.1 区域分割及理解算法概述 | 第121-124页 |
| 6.1.1 基于全局特征的方法 | 第121-123页 |
| 6.1.2 基于局部特征分类的方法 | 第123-124页 |
| 6.1.3 基于高层语意特征的方法 | 第124页 |
| 6.2 可供性特征在区域分割中的作用 | 第124-126页 |
| 6.2.1 可供性特征的定义 | 第124-125页 |
| 6.2.2 可供性特征在对象识别中的应用研究 | 第125-126页 |
| 6.3 基于可供性任务组的室外场景区域分割识别研究 | 第126-128页 |
| 6.4 可供性数据库设计 | 第128-129页 |
| 6.5 实验研究 | 第129-134页 |
| 6.5.1 基于可供性任务组的室内对象理解 | 第129-130页 |
| 6.5.2 基于可供性任务组的飞行器平台区域理解 | 第130-134页 |
| 6.6 本章小结 | 第134-135页 |
| 第七章 总结与展望 | 第135-139页 |
| 7.1 总结 | 第135-137页 |
| 7.2 研究展望 | 第137-139页 |
| 参考文献 | 第139-151页 |
| 致谢 | 第151-153页 |
| 作者简介 | 第153-155页 |