| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题背景与研究意义 | 第11-12页 |
| 1.2 船舶检测跟踪识别国内外研究现状 | 第12-14页 |
| 1.3 视频目标检测跟踪识别的关键技术综述 | 第14-16页 |
| 1.3.1 目标检测关键技术 | 第14-15页 |
| 1.3.2 目标跟踪关键技术 | 第15页 |
| 1.3.3 目标分类关键技术 | 第15-16页 |
| 1.4 本文技术路线与组织结构 | 第16-19页 |
| 1.4.1 本文主要研究工作 | 第16-17页 |
| 1.4.2 本文的各章节内容 | 第17-19页 |
| 第二章 船舶目标检测算法研究 | 第19-38页 |
| 2.1 引言 | 第19页 |
| 2.2 基于MeanShift聚类的图像分割 | 第19-22页 |
| 2.2.1 MeanShift算法的实现步骤 | 第20-21页 |
| 2.2.2 MeanShift算法分割结果与分析 | 第21-22页 |
| 2.3 基于SelectiveSearch算法的图像分割 | 第22-24页 |
| 2.3.1 SelectiveSearch算法分割结果与分析 | 第23-24页 |
| 2.4 基于BING算法与Fhog特征的船舶检测 | 第24-37页 |
| 2.4.1 预处理 | 第25-27页 |
| 2.4.2 基于BING算法的目标检测 | 第27-28页 |
| 2.4.3 基于Fhog特征的船舶检测 | 第28-32页 |
| 2.4.4 实验结果分析 | 第32-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 船舶目标跟踪算法研究 | 第38-59页 |
| 3.1 引言 | 第38页 |
| 3.2 基于TLD算法的目标跟踪 | 第38-42页 |
| 3.2.1 TLD算法的基本原理 | 第38-41页 |
| 3.2.2 TLD算法的实现原理 | 第41-42页 |
| 3.3 基于KCF算法的目标跟踪 | 第42-47页 |
| 3.3.1 相关滤波 | 第42-46页 |
| 3.3.2 核相关滤波的算法实现步骤 | 第46-47页 |
| 3.4 基于KCF改进的目标跟踪算法 | 第47-57页 |
| 3.4.1 特征选择 | 第47-50页 |
| 3.4.2 实验结果分析 | 第50-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第四章 船舶目标分类算法研究 | 第59-77页 |
| 4.1 引言 | 第59页 |
| 4.2 基于支持向量机的船舶分类 | 第59-65页 |
| 4.2.1 支持向量机 | 第60-61页 |
| 4.2.2 特征提取 | 第61-65页 |
| 4.3 基于卷积神经网络的船舶分类方法 | 第65-71页 |
| 4.3.1 深度学习的历史发展概述 | 第66-67页 |
| 4.3.2 卷积神经网络模型 | 第67-69页 |
| 4.3.3 基于CNN-SVM的船舶分类方法 | 第69-71页 |
| 4.4 实验结果与分析 | 第71-76页 |
| 4.4.1 基于SVM分类结果分析 | 第71-73页 |
| 4.4.2 基于CNN-SVM模型分类结果分析 | 第73-76页 |
| 4.5 本章小结 | 第76-77页 |
| 第五章 船舶检测跟踪识别系统 | 第77-83页 |
| 5.1 引言 | 第77页 |
| 5.2 系统框架与界面设计 | 第77-82页 |
| 5.2.1 本地视频子系统 | 第78-79页 |
| 5.2.2 实时监控子系统 | 第79-82页 |
| 5.3 本章小结 | 第82-83页 |
| 结论与展望 | 第83-85页 |
| 全文工作总结 | 第83-84页 |
| 后续工作展望 | 第84-85页 |
| 参考文献 | 第85-90页 |
| 攻读硕士学位期间取得的研究成果 | 第90-91页 |
| 致谢 | 第91-92页 |
| 附件 | 第92页 |