| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要研究内容 | 第11-13页 |
| 1.4 论文章节安排 | 第13-14页 |
| 2 飞行器图像结构化特征分析 | 第14-23页 |
| 2.1 实验数据库 | 第14-17页 |
| 2.2 计算机视觉理论 | 第17-18页 |
| 2.3 飞行器的结构化特征分析 | 第18-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于角点的飞行器感兴趣区域提取 | 第23-36页 |
| 3.1 图像角点特征提取 | 第23-29页 |
| 3.1.1 SUSAN角点检测算法 | 第23-26页 |
| 3.1.2 Harris角点检测算法 | 第26-28页 |
| 3.1.3 实验结果及分析 | 第28-29页 |
| 3.2 基于自适应阈值的Harris角点检测算法 | 第29-31页 |
| 3.3 基于Harris角点的飞行器感兴趣区域提取 | 第31-33页 |
| 3.4 实验结果及分析 | 第33-35页 |
| 3.4.1 实验平台 | 第33页 |
| 3.4.2 性能评价指标 | 第33页 |
| 3.4.3 实验结果及分析 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 基于HOG特征的飞行器检测算法 | 第36-57页 |
| 4.1 图像边缘特征提取 | 第36-40页 |
| 4.1.1 基于Canny算子的边缘提取算法 | 第36-38页 |
| 4.1.2 基于梯度方向直方图的梯度提取算法 | 第38-40页 |
| 4.2 飞行器图像的HOG特征提取 | 第40-43页 |
| 4.3 级联Adaboost学习算法 | 第43-51页 |
| 4.3.1 弱分类器的构建 | 第43-44页 |
| 4.3.2 Adaboost强分类器 | 第44-47页 |
| 4.3.3 级联分类器 | 第47-49页 |
| 4.3.4 多尺度检测和窗口融合 | 第49-51页 |
| 4.4 实验结果与分析 | 第51-56页 |
| 4.4.1 实验平台 | 第51页 |
| 4.4.2 性能评价指标 | 第51页 |
| 4.4.3 训练样本集的建立 | 第51-52页 |
| 4.4.4 实验结果及分析 | 第52-56页 |
| 4.5 本章小结 | 第56-57页 |
| 5 总结和展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录 | 第63页 |
| A. 作者在攻读学位期间发布的论文目录 | 第63页 |
| B. 作者在攻读学位期间发表的专利目录 | 第63页 |