基于计算机视觉的船舶跟踪及类型识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题的背景与意义 | 第10-12页 |
| 1.3 船舶识别国内外研究现状 | 第12-13页 |
| 1.4 计算机视觉综述 | 第13-14页 |
| 1.5 本文研究的内容与章节安排 | 第14-17页 |
| 1.5.1 论文研究的主要内容 | 第14-15页 |
| 1.5.2 论文的章节安排 | 第15-16页 |
| 1.5.3 实验环境配置需求 | 第16-17页 |
| 第2章 船舶图像预处理和运动区域定位 | 第17-31页 |
| 2.1 图像灰度化 | 第17-18页 |
| 2.2 图像增强 | 第18-21页 |
| 2.2.1 常用图像增强方法概述 | 第18-19页 |
| 2.2.2 滤波处理 | 第19-21页 |
| 2.3 运动区域定位 | 第21-25页 |
| 2.3.1 光流法 | 第21-22页 |
| 2.3.2 帧间差分法 | 第22-24页 |
| 2.3.3 背景差分法 | 第24-25页 |
| 2.4 单高斯背景建模 | 第25-27页 |
| 2.5 二值化 | 第27-29页 |
| 2.5.1 自适应阈值-迭代法 | 第27-28页 |
| 2.5.2 最大类间方差法 | 第28-29页 |
| 2.6 消除孤立点 | 第29-30页 |
| 2.7 目标区域的提取 | 第30页 |
| 2.8 本章小结 | 第30-31页 |
| 第3章 目标的跟踪及形态学处理 | 第31-47页 |
| 3.1 基于颜色模型的目标追踪 | 第31-39页 |
| 3.1.1 目标颜色模型的建立 | 第31-34页 |
| 3.1.2 Meanshift跟踪算法 | 第34-37页 |
| 3.1.3 Camshift跟踪算法 | 第37-39页 |
| 3.2 基于运动模型的目标追踪 | 第39-45页 |
| 3.2.1 目标运动模型的建立 | 第40-41页 |
| 3.2.2 Kalman滤波器跟踪算法 | 第41-45页 |
| 3.3 图像形态学处理 | 第45-46页 |
| 3.3.1 膨胀与腐蚀 | 第45页 |
| 3.3.2 开运算与闭运算 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 船舶的特征提取与选择 | 第47-59页 |
| 4.1 船舶的分类 | 第47页 |
| 4.2 图像的特征分类 | 第47-49页 |
| 4.3 船舶特征的提取 | 第49-56页 |
| 4.3.1 船舶的几何特征描述 | 第49-50页 |
| 4.3.2 船舶矩特征提取描述 | 第50-52页 |
| 4.3.3 船舶角度比值特征的描述 | 第52-56页 |
| 4.4 船舶特征的选择 | 第56-58页 |
| 4.4.1 特征数据的分析与处理 | 第56-58页 |
| 4.4.2 特征选择 | 第58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 船舶类型的识别 | 第59-73页 |
| 5.1 常用的分类方法 | 第59-61页 |
| 5.2 支持向量机概念 | 第61-64页 |
| 5.2.1 线性支持向量机 | 第62-64页 |
| 5.2.2 非线性支持向量机 | 第64页 |
| 5.3. 支持向量机分类器的训练与测试 | 第64-72页 |
| 5.3.1 分类器的训练与测试 | 第64-68页 |
| 5.3.2 训练过程与测试过程的改进 | 第68-72页 |
| 5.4 实验结果分析 | 第72页 |
| 5.5 本章小结 | 第72-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 本文工作总结 | 第73-74页 |
| 6.2 未来工作展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79页 |
