复杂背景下的红外目标检测与识别
摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-17页 |
1.1 课题研究背景、目的及意义 | 第11-12页 |
1.1.1 课题来源及研究背景 | 第11-12页 |
1.1.2 课题研究目的及意义 | 第12页 |
1.2 研究现状与发展动态 | 第12-14页 |
1.2.1 红外图像预处理技术发展现状 | 第12页 |
1.2.2 红外目标检测与识别技术现状分析 | 第12-13页 |
1.2.3 异构计算平台的研究现状与发展动态 | 第13-14页 |
1.3 主要研究内容及章节安排 | 第14-17页 |
1.3.1 主要研究内容 | 第14-15页 |
1.3.2 章节安排 | 第15-17页 |
第2章 红外特性分析及噪声抑制方法研究 | 第17-27页 |
2.1 红外辐射光谱与红外辐射定律 | 第17-19页 |
2.1.1 红外辐射与红外光谱 | 第17-18页 |
2.1.2 红外辐射基本定律 | 第18-19页 |
2.2 红外图像特性分析 | 第19-21页 |
2.2.1 红外成像系统工作原理 | 第19-20页 |
2.2.2 红外成像系统特点 | 第20-21页 |
2.3 红外摄像机及红外图像特性 | 第21-22页 |
2.3.1 红外摄像机分类 | 第21-22页 |
2.3.2 红外图像的特点 | 第22页 |
2.4 噪声抑制方法研究 | 第22-25页 |
2.4.1 红外图像噪声抑制分析 | 第22-23页 |
2.4.2 基于消除温度非线性分布对比度增强 | 第23-25页 |
2.5 本章小结 | 第25-27页 |
第3章 基于动态双阈值分割的红外目标检测 | 第27-41页 |
3.1 基于高斯模型的目标检测方法 | 第27-30页 |
3.1.1 单高斯模型 | 第27-28页 |
3.1.2 高斯混合模型 | 第28-30页 |
3.2 基于均值漂移算法的人体目标分割 | 第30-33页 |
3.2.1 基于均值漂移的图像分割算法 | 第30-31页 |
3.2.2 Meanshift算法过程 | 第31-32页 |
3.2.3 图像分割结果及分析 | 第32-33页 |
3.3 基于动态双阈值分割的目标检测 | 第33-39页 |
3.3.1 候选区域提取 | 第33-36页 |
3.3.2 基于人体形态统计特性的目标校验 | 第36-37页 |
3.3.3 目标区域尺度调整 | 第37-39页 |
3.4 本章小结 | 第39-41页 |
第4章 基于机器学习的红外目标识别 | 第41-51页 |
4.1 基于方向梯度直方图的特征提取 | 第42-47页 |
4.1.1 方向梯度直方图概述 | 第42页 |
4.1.2 方向梯度直方图特征提取实现过程 | 第42-47页 |
4.2 基于支持向量机的分类 | 第47-49页 |
4.2.1 支持向量机概述 | 第47-48页 |
4.2.2 超平面的计算 | 第48-49页 |
4.3 实验结果及分析 | 第49页 |
4.4 本章小结 | 第49-51页 |
第5章 基于异构计算平台的图像与视频加速处理 | 第51-69页 |
5.1 AMD GPU体系结构与OpenCL架构 | 第52-53页 |
5.1.1 AMD GPU体系结构 | 第52页 |
5.1.2 OpenCL架构 | 第52-53页 |
5.2 OpenCL编程模型 | 第53-56页 |
5.2.1 OpenCL平台模型 | 第53页 |
5.2.2 OpenCL执行模型 | 第53-54页 |
5.2.3 OpenCL内存模型 | 第54-56页 |
5.3 OpenCL的编程优化 | 第56-59页 |
5.3.1 资源利用优化 | 第56页 |
5.3.2 访存优化 | 第56-58页 |
5.3.3 指令优化 | 第58-59页 |
5.4 OpenCL程序实现 | 第59-68页 |
5.4.1 程序运行流程 | 第59-60页 |
5.4.2 HOG算法在OpenCL平台的实现 | 第60-62页 |
5.4.3 实验结果及分析 | 第62-68页 |
5.5 本章小结 | 第68-69页 |
第6章 总结与展望 | 第69-75页 |
6.1 总结 | 第69页 |
6.2 展望 | 第69-71页 |
参考文献 | 第71-75页 |
致谢 | 第75-77页 |
作者简介 | 第77页 |