| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 引言 | 第10页 |
| 1.2 研究的目的和意义 | 第10页 |
| 1.3 运动目标检测跟踪研究现状 | 第10-12页 |
| 1.4 主要研究难点与创新 | 第12-14页 |
| 1.5 论文的内容与结构安排 | 第14-15页 |
| 第2章 低空无人机平台下运动车辆检测跟踪系统的组成 | 第15-22页 |
| 2.1 引言 | 第15页 |
| 2.2 硬件系统 | 第15-18页 |
| 2.2.1 飞行运载平台 | 第15-16页 |
| 2.2.2 图像采集设备 | 第16-17页 |
| 2.2.3 机载计算设备 | 第17-18页 |
| 2.3 算法验证及实现软件框架 | 第18-19页 |
| 2.3.1 飞行控制工具包Onboard SDK | 第18-19页 |
| 2.3.2 GPU计算支持平台CUDA | 第19页 |
| 2.3.3 图像处理库OpenCV | 第19页 |
| 2.4 平台运行流程及系统集成 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 低空无人机平台下的车辆检测算法及优化 | 第22-48页 |
| 3.1 引言 | 第22页 |
| 3.2 运动目标检测方法概述 | 第22-29页 |
| 3.2.1 背景差分法 | 第22-24页 |
| 3.2.2 光流法 | 第24-28页 |
| 3.2.3 帧间差法 | 第28-29页 |
| 3.3 基于特征点匹配的全局背景补偿方法 | 第29-41页 |
| 3.3.1 全局运动模型的选取 | 第30-32页 |
| 3.3.2 基于特征点匹配的参数的获取及准确性的提高 | 第32-39页 |
| 3.3.3 基于模型的全局背景补偿 | 第39-40页 |
| 3.3.4 基于运动距离比较的干扰特征点对排除法 | 第40-41页 |
| 3.4 基于机器学习的车辆检测 | 第41-44页 |
| 3.4.1 HOG特征 | 第41-42页 |
| 3.4.2 LBP特征 | 第42-43页 |
| 3.4.3 SVM分类器 | 第43页 |
| 3.4.4 使用SVM分类器进行车辆检测 | 第43-44页 |
| 3.5 实验及分析 | 第44-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 低空无人机平台下的车辆跟踪算法及优化 | 第48-64页 |
| 4.1 引言 | 第48页 |
| 4.2 运动目标跟踪算法概述 | 第48-54页 |
| 4.2.1 Meanshift目标跟踪算法 | 第48-51页 |
| 4.2.2 基于Kalman滤波器算法 | 第51-52页 |
| 4.2.3 基本粒子滤波器算法 | 第52-54页 |
| 4.3 基于Kalman和Camshift算法的多特征融合跟踪策略 | 第54-61页 |
| 4.3.1 HSV颜色空间 | 第54-55页 |
| 4.3.2 Camshift跟踪算法 | 第55页 |
| 4.3.3 Kalman滤波和Camshift结合的跟踪算法策略 | 第55-57页 |
| 4.3.4 颜色、运动、形状的多特征信息融合 | 第57-61页 |
| 4.4 实验及分析 | 第61-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第5章 总结和展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69页 |
