摘要 | 第5-7页 |
Abstract | 第7-9页 |
第1章 绪论 | 第13-21页 |
1.1 本论文研究的目的和意义 | 第13-14页 |
1.2 国内外相关技术研究现状及发展趋势 | 第14-18页 |
1.2.1 电子稳像技术 | 第14-15页 |
1.2.2 运动目标检测技术 | 第15-16页 |
1.2.3 目标跟踪技术 | 第16-18页 |
1.3 本论文的研究内容 | 第18-21页 |
第2章 大运动偏移电子稳像技术 | 第21-37页 |
2.1 引言 | 第21-22页 |
2.2 图像的全局运动模型 | 第22-28页 |
2.2.1 三维空域中摄像机成像模型分析 | 第22-24页 |
2.2.2 摄像机运动参数模型 | 第24-28页 |
2.3 基于频域极坐标变换的运动估计与补偿 | 第28-30页 |
2.3.1 基于相位相关的平移量估计 | 第28-29页 |
2.3.2 频域四参数偏移量估计 | 第29-30页 |
2.4 基于高斯-牛顿最小化法的运动估计与补偿 | 第30页 |
2.5 算法的总体框架与实现形式 | 第30-33页 |
2.6 实验结果与分析 | 第33-36页 |
2.7 本章小结 | 第36-37页 |
第3章 基于粒子滤波的运动目标检测与跟踪 | 第37-60页 |
3.1 引言 | 第37页 |
3.2 粒子滤波器 | 第37-43页 |
3.2.1 Bayes 滤波器 | 第37-39页 |
3.2.2 Bayes 滤波器的表述模型 | 第39-41页 |
3.2.3 粒子滤波器的实现 | 第41-43页 |
3.3 基于 KLD 采样的自适应粒子滤波器 | 第43-46页 |
3.3.1 Kullback-Leibler 距离 | 第44-45页 |
3.3.2 KL 距离算法用于粒子滤波器 | 第45-46页 |
3.4 自适应粒子滤波器用于多运动目标检测与跟踪 | 第46-59页 |
3.4.1 粒子滤波器检测图像中的运动目标 | 第46-54页 |
3.4.2 多运动目标的检测与跟踪 | 第54-56页 |
3.4.3 实验结果 | 第56-59页 |
3.5 本章小结 | 第59-60页 |
第4章 改进的 MEAN-SHIFT 目标跟踪算法 | 第60-87页 |
4.1 引言 | 第60-61页 |
4.2 Mean-Shift 理论 | 第61-66页 |
4.2.1 基本的 Mean-Shift 理论 | 第61-62页 |
4.2.2 扩展的 Mean-Shift 理论 | 第62-64页 |
4.2.3 概率密度梯度 | 第64-66页 |
4.3 Mean-Shift 目标跟踪理论 | 第66-70页 |
4.3.1 初始目标模型的建立 | 第66-67页 |
4.3.2 候选目标模型的建立 | 第67页 |
4.3.3 相似度量函数 | 第67-68页 |
4.3.4 目标空间定位 | 第68-70页 |
4.4 改进特征空间的 Mean-Shift 跟踪算法 | 第70-75页 |
4.4.1 边缘增强特征提取 | 第70-73页 |
4.4.2 颜色与增强边缘特征描述 | 第73-74页 |
4.4.3 融合灰度和增强边缘特征的目标空间定位 | 第74-75页 |
4.5 基于 LMS 自适应滤波器的目标模板更新 | 第75-77页 |
4.6 Mean-Shift 核窗宽自适应更新 | 第77-79页 |
4.7 Kalman 滤波器与 Mean-Shift 结合的目标跟踪 | 第79-83页 |
4.7.1 卡尔曼滤波器基础理论 | 第80-81页 |
4.7.2 基于卡尔曼滤波器目标运动预测 | 第81-83页 |
4.8 实验结果与分析 | 第83-86页 |
4.9 本章小结 | 第86-87页 |
第5章 算法在图像制导信息系统中的应用 | 第87-101页 |
5.1 引言 | 第87页 |
5.2 光电成像制导系统整体框架 | 第87-89页 |
5.3 信号处理器的硬件平台和软件设计 | 第89-98页 |
5.3.1 硬件平台 | 第89-91页 |
5.3.2 软件设计 | 第91-98页 |
5.3.3 软件优化 | 第98页 |
5.4 大运动偏移下目标检测与跟踪能力测试 | 第98-100页 |
5.5 本章小结 | 第100-101页 |
第6章 总结与展望 | 第101-102页 |
参考文献 | 第102-111页 |
攻读学位期间发表论文与研究成果清单 | 第111-113页 |
致谢 | 第113页 |