| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 船型识别研究现状 | 第10-12页 |
| 1.3 论文的主要工作与内容安排 | 第12-14页 |
| 2 图像中的目标船艇检测 | 第14-28页 |
| 2.1 图像预处理的常见方法 | 第14-23页 |
| 2.1.1 场景能见度自适应处理 | 第14-15页 |
| 2.1.2 滤波处理 | 第15-19页 |
| 2.1.3 二值化处理 | 第19-21页 |
| 2.1.4 数字形态学处理 | 第21-23页 |
| 2.2 提取兴趣区域 | 第23-27页 |
| 2.2.1 兴趣区域的确定 | 第24-25页 |
| 2.2.2 常见兴趣区域提取方法简述 | 第25页 |
| 2.2.3 本文采用的方法 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 船艇特征提取 | 第28-42页 |
| 3.1 常用图像特征 | 第28-33页 |
| 3.1.1 几何形状特征 | 第28-30页 |
| 3.1.2 矩特征 | 第30-31页 |
| 3.1.3 变换特征 | 第31-32页 |
| 3.1.4 局部特征 | 第32-33页 |
| 3.2 SIFT特征提取 | 第33-40页 |
| 3.2.1 尺度空间极值检测 | 第34-36页 |
| 3.2.2 关键点定位 | 第36-37页 |
| 3.2.3 关键点的方向赋值 | 第37-38页 |
| 3.2.4 特征描述符生成 | 第38-40页 |
| 3.3 船艇图像特征向量获取 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 基于词袋模型和支持向量机的多分类器融合船型识别 | 第42-63页 |
| 4.1 词袋模型 | 第42-43页 |
| 4.2 支持向量机理论知识 | 第43-50页 |
| 4.2.1 最优分类面 | 第44-46页 |
| 4.2.2 广义最优分类面 | 第46-47页 |
| 4.2.3 支持向量机 | 第47-48页 |
| 4.2.4 SVM多类分类方法 | 第48-50页 |
| 4.2.5 LIBSVM简介 | 第50页 |
| 4.3 基于Hu不变矩、词袋模型和支持向量机的船型识别系统 | 第50-54页 |
| 4.4 系统设计 | 第54-55页 |
| 4.5 实验结果与分析 | 第55-60页 |
| 4.6 船舶监控识别系统实验平台 | 第60-62页 |
| 4.7 本章小结 | 第62-63页 |
| 5 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69-70页 |
| 致谢 | 第70页 |