| 摘要 | 第4-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第19-32页 |
| 1.1 研究背景及意义 | 第19-21页 |
| 1.1.1 机场跑道异物及其危害 | 第19-20页 |
| 1.1.2 机场跑道异物检测与识别系统的研究意义 | 第20-21页 |
| 1.2 机场跑道异物检测与识别系统 | 第21-29页 |
| 1.2.1 机场跑道异物检测的主要途径 | 第21-22页 |
| 1.2.2 跑道异物检测与识别系统的国内外现状 | 第22-26页 |
| 1.2.3 基于车载视频的机场跑道异物检测与识别系统 | 第26-29页 |
| 1.3 本文主要研究内容 | 第29-30页 |
| 1.4 本文章节安排 | 第30-32页 |
| 第二章 机场跑道异物检测方法的研究 | 第32-55页 |
| 2.1 目标检测常用方法概述 | 第32-35页 |
| 2.1.1 基于单帧图像的目标检测方法 | 第32-33页 |
| 2.1.2 基于图像序列的检测方法 | 第33-35页 |
| 2.1.3 其他目标检测方法 | 第35页 |
| 2.2 目标检测的评价标准 | 第35-36页 |
| 2.2.1 概率型性能指标分析方法 | 第35-36页 |
| 2.2.2 RPC曲线和ROC曲线评价方法 | 第36页 |
| 2.3 跑道异物图像特征分析 | 第36-40页 |
| 2.3.1 灰度特征分析 | 第37-38页 |
| 2.3.2 傅里叶频域分析 | 第38-39页 |
| 2.3.3 边缘分析 | 第39页 |
| 2.3.4 纹理分析 | 第39-40页 |
| 2.3.5 形状分析 | 第40页 |
| 2.4 基于特征融合的跑道异物检测 | 第40-50页 |
| 2.4.1 跑道标志线分割 | 第41-43页 |
| 2.4.2 跑道异物检测流程 | 第43-44页 |
| 2.4.3 基于D-S证据理论的特征融合 | 第44-48页 |
| 2.4.4 跑道异物在线检测实验 | 第48-50页 |
| 2.5 基于多帧叠加能量累积的跑道异物检测 | 第50-54页 |
| 2.5.1 多帧叠加的跑道异物能量积累 | 第50页 |
| 2.5.2 图像拼接流程 | 第50-51页 |
| 2.5.3 图像配准 | 第51页 |
| 2.5.4 图像融合 | 第51页 |
| 2.5.5 图像叠加平均 | 第51-52页 |
| 2.5.6 跑道异物离线检测实验 | 第52-54页 |
| 2.6 本章小结 | 第54-55页 |
| 第三章 机场跑道异物的模式特征选取及其维数约简 | 第55-80页 |
| 3.1 模式识别技术 | 第56-57页 |
| 3.2 模式识别的关键问题 | 第57-58页 |
| 3.3 机场跑道异物的模式特征提取 | 第58-65页 |
| 3.3.1 跑道异物图像库的建立 | 第58-59页 |
| 3.3.2 跑道异物的Gabor特征提取 | 第59-65页 |
| 3.4 二维Gabor滤波器在跑道异物图像中的响应特性 | 第65-67页 |
| 3.4.1 边缘 | 第65页 |
| 3.4.2 亮度 | 第65-66页 |
| 3.4.3 位置 | 第66-67页 |
| 3.5 基于加权核局部线性嵌入的Gabor特征降维 | 第67-73页 |
| 3.5.1 流形学习算法概述 | 第68-69页 |
| 3.5.2 核局部线性嵌入 | 第69-70页 |
| 3.5.3 局部线性嵌入两个参数的最优选取 | 第70-71页 |
| 3.5.4 加权核局部线性嵌入算法描述 | 第71-73页 |
| 3.6 实验结果与分析 | 第73-78页 |
| 3.7 本章小结 | 第78-80页 |
| 第四章 机场跑道异物分类研究 | 第80-103页 |
| 4.1 支持向量机 | 第80-84页 |
| 4.1.1 结构风险最小化 | 第80-81页 |
| 4.1.2 最优分类超平面 | 第81-83页 |
| 4.1.3 常用的核函数 | 第83-84页 |
| 4.2 多类分类支持向量机 | 第84-88页 |
| 4.2.1 一类对余类方法 | 第84-85页 |
| 4.2.2 一类对一类方法 | 第85-86页 |
| 4.2.3 决策二叉树方法 | 第86-87页 |
| 4.2.4 决策导向无环图方法 | 第87页 |
| 4.2.5 纠错输出编码方法 | 第87-88页 |
| 4.3 双支持向量机 | 第88-91页 |
| 4.3.1 线性双支持向量机 | 第88-90页 |
| 4.3.2 非线性双支持向量机 | 第90-91页 |
| 4.4 有向无环图-双支持向量机 | 第91-93页 |
| 4.4.1 有向无环图-双支持向量机的构造方法 | 第91-92页 |
| 4.4.2 有向无环图-双支持向量机的算法描述 | 第92-93页 |
| 4.5 实验与性能分析 | 第93-102页 |
| 4.5.1 标准数据库的分类实验 | 第93-96页 |
| 4.5.2 跑道异物数据分类实验 | 第96-102页 |
| 4.6 本章小结 | 第102-103页 |
| 第五章 跑道异物检测与识别系统集成及软件开发 | 第103-110页 |
| 5.1 车载机场跑道异物检测与识别系统集成 | 第103-106页 |
| 5.2 车载跑道异物检测与识别系统软件开发 | 第106-107页 |
| 5.2.1 软件功能结构 | 第106页 |
| 5.2.2 软件功能实现 | 第106-107页 |
| 5.3 实验与性能测试 | 第107-109页 |
| 5.4 本章小结 | 第109-110页 |
| 第六章 总结与展望 | 第110-113页 |
| 6.1 本文主要工作及取得的研究成果 | 第110-111页 |
| 6.2 本文主要创新点 | 第111-112页 |
| 6.3 不足与展望 | 第112-113页 |
| 参考文献 | 第113-123页 |
| 致谢 | 第123-124页 |
| 在学期间的研究成果及发表的学术论文 | 第124页 |
