| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-29页 |
| 1.1 无人机的发展现状及趋势 | 第12-17页 |
| 1.1.1 无人机的发展现状 | 第12-16页 |
| 1.1.2 无人机的发展趋势 | 第16-17页 |
| 1.2 战场目标自动识别与跟踪技术研究现状 | 第17-25页 |
| 1.2.1 自动目标识别技术研究现状 | 第17-21页 |
| 1.2.2 目标跟踪技术研究现状 | 第21-25页 |
| 1.3 选题依据 | 第25-26页 |
| 1.4 论文主要研究内容及章节安排 | 第26-29页 |
| 第2章 基于稀疏表示的航空退化图像复原技术 | 第29-46页 |
| 2.1 航空图像退化机理与复原技术 | 第30-33页 |
| 2.2 稀疏表示理论 | 第33-36页 |
| 2.2.1 图像稀疏表示模型 | 第33-34页 |
| 2.2.2 稀疏字典学习方法 | 第34-36页 |
| 2.3 基于非局部中心稀疏表示的图像复原技术 | 第36-39页 |
| 2.3.1 稀疏编码噪声 | 第36-37页 |
| 2.3.2 非局部中心稀疏表示模型 | 第37-39页 |
| 2.4 实验结果及分析 | 第39-45页 |
| 2.4.1 图像去噪实验 | 第40-41页 |
| 2.4.2 图像去模糊实验 | 第41-43页 |
| 2.4.3 图像超分辨实验 | 第43-45页 |
| 本章小结 | 第45-46页 |
| 第3章 基于视觉显著性的战场目标检测方法研究 | 第46-68页 |
| 3.1 显著性战场目标检测研究现状 | 第47-49页 |
| 3.1.1 自底向上的显著性检测 | 第47-48页 |
| 3.1.2 自顶向下的显著性检测 | 第48-49页 |
| 3.2 基于多尺度超像素融合的显著目标检测 | 第49-59页 |
| 3.2.1 SLIC超像素预分割算法 | 第50-52页 |
| 3.2.2 多尺度超像素融合 | 第52-55页 |
| 3.2.3 显著性目标检测 | 第55-59页 |
| 3.3 实验结果及分析 | 第59-67页 |
| 3.3.1 显著性目标检测算法对比 | 第59-62页 |
| 3.3.2 战场显著性目标检测实验 | 第62-64页 |
| 3.3.3 通用显著性目标检测 | 第64-67页 |
| 本章小结 | 第67-68页 |
| 第4章 基于候选区域搜索的战场目标识别方法研究 | 第68-87页 |
| 4.1 基于视觉字典的目标识别框架 | 第69-73页 |
| 4.2 基于显著性图ROI提取的战场目标识别 | 第73-76页 |
| 4.2.1 显著性图ROI提取 | 第73-75页 |
| 4.2.2 目标识别 | 第75-76页 |
| 4.3 基于候选区域搜索的战场目标识别 | 第76-80页 |
| 4.3.1 图像初始分割 | 第76-79页 |
| 4.3.2 图像区域融合及候选搜索策略 | 第79-80页 |
| 4.4 实验结果及分析 | 第80-86页 |
| 4.4.1 候选目标定位质量 | 第81-84页 |
| 4.4.2 目标识别结果 | 第84-86页 |
| 本章小结 | 第86-87页 |
| 第5章 基于在线学习模型的战场目标跟踪方法研究 | 第87-109页 |
| 5.1 基于在线学习的目标跟踪研究现状 | 第88-90页 |
| 5.2 基于L1范数的在线目标跟踪模型 | 第90-97页 |
| 5.2.1 粒子滤波框架 | 第90-94页 |
| 5.2.2 L1范数最小化在线目标跟踪 | 第94-97页 |
| 5.3 基于稀疏表示的在线目标跟踪模型 | 第97-102页 |
| 5.3.1 目标多尺度梯度方向直方图（PHOG）特征 | 第98-99页 |
| 5.3.2 目标跟踪模型 | 第99-102页 |
| 5.3.3 目标跟踪模型更新 | 第102页 |
| 5.4 实验结果与分析 | 第102-108页 |
| 5.4.1 测试视频目标跟踪 | 第102-107页 |
| 5.4.2 航拍视频目标跟踪 | 第107-108页 |
| 本章小结 | 第108-109页 |
| 结论 | 第109-111页 |
| 一、主要研究成果及结论 | 第109-110页 |
| 二、尚待研究内容及展望 | 第110-111页 |
| 参考文献 | 第111-123页 |
| 攻读学位期间发表论文与研究成果清单 | 第123-124页 |
| 致谢 | 第124-125页 |
| 作者简介 | 第125页 |