| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 图像特征提取算法和表示的国内外研究现状 | 第11-13页 |
| 1.2.2 分类器的研究现状 | 第13-14页 |
| 1.2.3 多传感器应用的研究现状 | 第14-15页 |
| 1.3 文章的主要研究工作与内容安排 | 第15-16页 |
| 第2章 基于全局图像特征的目标识别 | 第16-36页 |
| 2.1 LBP纹理特征 | 第16-20页 |
| 2.1.1 LBP算子 | 第16-19页 |
| 2.1.2 LBP算子的旋转不变性 | 第19页 |
| 2.1.3 LBP算子的统一模式 | 第19-20页 |
| 2.1.4 LBP直方图 | 第20页 |
| 2.2 支持向量机分类原理 | 第20-28页 |
| 2.2.1 线性支持向量机与间隔最大化 | 第20-24页 |
| 2.2.1.1 线性可分支持向量机与硬间隔最大化 | 第21-23页 |
| 2.2.1.2 线性支持向量机与软间隔最大化 | 第23-24页 |
| 2.2.2 非线性支持向量机与核函数 | 第24-26页 |
| 2.2.3 支持向量机的应用与拓展 | 第26-28页 |
| 2.3 实验结果与分析 | 第28-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第3章 基于局部图像特征的目标识别 | 第36-68页 |
| 3.1 SIFT特征描述子 | 第36-47页 |
| 3.1.1 图像的多尺度表示 | 第37-38页 |
| 3.1.2 只度空间极值检测 | 第38-42页 |
| 3.1.2.1 构建高斯金字塔 | 第39-40页 |
| 3.1.2.2 构建高斯差分金字塔 | 第40-42页 |
| 3.1.3 特征点精确定位 | 第42-44页 |
| 3.1.4 极值点的方向分配 | 第44-45页 |
| 3.1.5 特征点描述子的生成 | 第45-47页 |
| 3.2 "词袋"模型的构建 | 第47-50页 |
| 3.3 k-means聚类算法与实验分析 | 第50-58页 |
| 3.3.1 基于高密度点分布的k-means算法 | 第50-52页 |
| 3.3.2 改进的k-means初始聚类中心选择的算法 | 第52-54页 |
| 3.3.3 k-means算法聚类实验结果与分析 | 第54-58页 |
| 3.4 基于优化的k-means目标识别算法实验与分析 | 第58-66页 |
| 3.5 本章小结 | 第66-68页 |
| 第4章 基于多传感器的目标识别 | 第68-82页 |
| 4.1 全局与局部图像特征相结合的目标识别 | 第68页 |
| 4.2 实验结果与分析 | 第68-74页 |
| 4.3 多传感器图像融合方式 | 第74-75页 |
| 4.3.1 像素级图像融合 | 第74页 |
| 4.3.2 特征级图像融合 | 第74-75页 |
| 4.3.3 决策级图像融合 | 第75页 |
| 4.4 实验结果与分析 | 第75-80页 |
| 4.4.1 基于SIFT的红外和可见光图像的融合实验 | 第76-77页 |
| 4.4.2 基于LBP纹理特征的红外与可见光图像的融合实验 | 第77-80页 |
| 4.5 本章小结 | 第80-82页 |
| 结论 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第88-89页 |
| 致谢 | 第89页 |
