| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题的研究背景及意义 | 第9-11页 |
| 1.2 国内外相关研究情况 | 第11-13页 |
| 1.3 课题的主要研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第二章 航拍图像目标检测的特征提取算法 | 第15-33页 |
| 2.1 算法概述 | 第15-16页 |
| 2.2 图像特征的种类及相应的提取算法 | 第16-17页 |
| 2.3 HOG特征的提取 | 第17-20页 |
| 2.4 旋转不变HOG特征的提取 | 第20-27页 |
| 2.4.1 概述 | 第20-21页 |
| 2.4.2 RGT梯度 | 第21-23页 |
| 2.4.3 区块的划分 | 第23页 |
| 2.4.4 块直方图归一化 | 第23-24页 |
| 2.4.5 扇区和旋转不变HOG特征描述子 | 第24-27页 |
| 2.5 旋转不变HOG特征提取的参数选择 | 第27-31页 |
| 2.5.1 图像预处理过程的参数选择 | 第28-29页 |
| 2.5.2 区块划分过程的参数选择 | 第29-30页 |
| 2.5.3 直方图归一化过程的参数选择 | 第30-31页 |
| 2.6 训练集的旋转不变HOG特征 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第三章 航拍图像目标检测的分类算法 | 第33-48页 |
| 3.1 机器学习算法 | 第33-35页 |
| 3.1.1 支持向量机 | 第33-35页 |
| 3.1.2 Boosting算法 | 第35页 |
| 3.2 分类器训练 | 第35-42页 |
| 3.2.1 训练集 | 第36-39页 |
| 3.2.2 测试集 | 第39页 |
| 3.2.3 基于支持向量机(SVM)的分类器 | 第39-41页 |
| 3.2.4 基于AdaBoost算法的分类器 | 第41-42页 |
| 3.3 目标检测算法 | 第42-45页 |
| 3.3.1 多尺度窗口遍历检测算法 | 第43-44页 |
| 3.3.2 非极大值抑制算法 | 第44-45页 |
| 3.4 分类算法中的参数选择 | 第45-47页 |
| 3.4.1 分类器的选择 | 第45-46页 |
| 3.4.2 窗口遍历的尺度方法选择 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 航拍图像目标检测算法实现 | 第48-56页 |
| 4.1 实验环境 | 第48-49页 |
| 4.2 验证集 | 第49页 |
| 4.3 实验结果分析与评价 | 第49-54页 |
| 4.3.1 检测结果分析与评价 | 第49-54页 |
| 4.3.2 旋转不变HOG特征与传统的HOG特征的对比 | 第54页 |
| 4.4 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 作者简介 | 第63页 |