飛行器紅外圖像目標檢測與跟蹤技術(shù)

目錄
前言
第1章緒論1
1.1圖像目標檢測與跟蹤問題描述1
1.1.1圖像目標檢測問題1
1.1.2圖像目標跟蹤問題2
1.1.3圖像檢測與跟蹤技術(shù)應用4
1.2圖像目標檢測技術(shù)研究進展6
1.2.1紅外弱小目標檢測技術(shù)6
1.2.2異源圖像匹配檢測技術(shù)12
1.2.3基于深度學習的目標檢測技術(shù)15
1.3圖像目標跟蹤技術(shù)研究進展25
1.3.1傳統(tǒng)圖像目標跟蹤技術(shù)25
1.3.2基于相關濾波的目標跟蹤技術(shù)28
1.3.3基于深度學習的目標跟蹤技術(shù)29
1.4本書主要內(nèi)容29
第2章紅外圖像弱小移動目標檢測31
2.1引言31
2.2經(jīng)典紅外圖像弱小目標檢測算法32
2.2.1單幀紅外圖像弱小目標檢測算法32
2.2.2序列紅外圖像弱小目標檢測算法39
2.3基于Contourlet變換和Facet模型的紅外圖像弱小目標檢測方法45
2.3.1循環(huán)平移Contourlet去噪46
2.3.2基于Facet模型多向梯度特性的中值濾波器設計48
2.3.3基于二級Otsu的閾值分割50
2.3.4算法實驗與性能分析51
2.4基于結(jié)構(gòu)低秩編碼的紅外弱小目標檢測算法54
2.4.1紅外圖像背景的低秩特性55
2.4.2紅外圖像結(jié)構(gòu)低秩編碼模型建立56
2.4.3檢測算法與實驗分析60
2.5基于直線匹配與背景抑制的紅外弱小移動目標檢測算法66
2.5.1基于多尺度DOG濾波器和幾何特征的候選目標的檢測67
2.5.2基于均值-標準差直線描述子的直線匹配70
2.5.3背景運動補償72
2.5.4弱小運動目標檢測74
2.5.5檢測實驗與性能分析76
2.6本章小結(jié)79
第3章紅外圖像顯著目標的異源匹配檢測80
3.1引言80
3.2基于邊緣特征的異源特征匹配檢測81
3.2.1常用的邊緣提取算法81
3.2.2邊緣提取實驗及分析83
3.2.3基于邊緣相似性距離度量的異源匹配算法84
3.3基于互信息度量的異源圖像匹配檢測86
3.3.1熵與互信息87
3.3.2基于灰度互信息的匹配檢測算法88
3.3.3基于梯度互信息的匹配檢測算法90
3.4基于梯度方向分布場的異源匹配檢測算法93
3.4.1分布場原理分析94
3.4.2基于梯度方向分布場圖的異源匹配97
3.4.3匹配檢測實驗與分析101
3.5基于橢圓對稱方向距的異源匹配檢測算法107
3.5.1同質(zhì)區(qū)域特征提取108
3.5.2基于橢圓對稱方向矩的異源特征匹配109
3.5.3檢測算法實驗與分析111
3.6本章小結(jié)116
第4章基于深度學習的紅外圖像顯著目標檢測117
4.1引言117
4.2基于深度學習的目標檢測框架分析118
4.2.1典型深度學習結(jié)構(gòu)118
4.2.2基于深度學習的目標檢測流程126
4.2.3目標建議方法分析126
4.3基于目標建議的候選區(qū)域選取算法128
4.3.1目標建議方法設計129
4.3.2飛機目標候選區(qū)域提取方法132
4.3.3仿真實驗與分析133
4.4基于級聯(lián)神經(jīng)網(wǎng)絡的目標檢測方法136
4.4.1基礎卷積神經(jīng)網(wǎng)絡設計與訓練137
4.4.2級聯(lián)卷積神經(jīng)網(wǎng)絡構(gòu)建142
4.4.3仿真實驗分析144
4.5目標多視點圖像仿真生成方法149
4.5.1機載攝像機探測成像模型建立與分析149
4.5.2機載成像探測問題分析151
4.5.3圖像變換數(shù)學模型152
4.5.4多視點圖像仿真實驗155
4.6本章小結(jié)157
第5章啟發(fā)式紅外圖像顯著目標跟蹤158
5.1引言158
5.2基于Kalman濾波和梯度-徑向夾角的改進均值漂移跟蹤算法159
5.2.1均值漂移算法原理159
5.2.2傳統(tǒng)均值漂移算法存在的問題161
5.2.3基于Kalman濾波和梯度-徑向夾角的改進均值漂移算法163
5.2.4算法跟蹤實驗與性能分析170
5.3基于貝葉斯互信息分布場的紅外圖像目標跟蹤算法175
5.3.1基于分布場的目標描述176
5.3.2貝葉斯互信息原理177
5.3.3紅外圖像目標跟蹤算法設計179
5.3.4跟蹤算法仿真與性能分析187
5.4基于稀疏表示多子模板的紅外圖像目標跟蹤算法192
5.4.1Fragment算法描述192
5.4.2Fragment算法缺陷分析193
5.4.3基于改進多子模板的目標跟蹤算法194
5.4.4跟蹤算法性能分析198
5.5基于局部特征索引結(jié)構(gòu)的紅外目標跟蹤算法204
5.5.1視覺詞袋模型的構(gòu)建204
5.5.2基于局部特征索引結(jié)構(gòu)的目標跟蹤框架構(gòu)建206
5.5.3算法跟蹤實驗與分析214
5.6本章小結(jié)216
第6章辨別式紅外圖像顯著目標跟蹤217
6.1引言217
6.2基于超像素圖結(jié)構(gòu)約束的紅外目標跟蹤算法217
6.2.1基于聚類算法的外部約束218
6.2.2基于圖結(jié)構(gòu)的內(nèi)部約束219
6.2.3基于粒子濾波框架下的目標定位221
6.2.4遮擋處理及更新模型223
6.2.5跟蹤算法性能分析223
6.3基于概率超圖排序的紅外目標跟蹤算法228
6.3.1概率超圖排序與構(gòu)造228
6.3.2概率超圖構(gòu)造229
6.3.3自適應模板集約束模型232
6.3.4基于粒子濾波的目標定位233
6.3.5模板更新機制234
6.3.6跟蹤實驗與性能分析236
6.4基于多特征融合相關濾波的快速紅外目標跟蹤算法240
6.4.1相關濾波原理240
6.4.2基于多特征融合的相關濾波跟蹤算法244
6.4.3跟蹤算法實驗與性能分析247
6.5深度學習在目標跟蹤中的應用251
6.5.1基于卷積神經(jīng)網(wǎng)絡的深度目標跟蹤251
6.5.2基于遞歸神經(jīng)網(wǎng)絡的深度目標跟蹤252
6.5.3基于孿生網(wǎng)絡的深度目標跟蹤252
6.5.4基于生成對抗網(wǎng)絡的深度目標跟蹤253
6.5.5基于自編碼器的深度目標跟蹤254
6.6本章小結(jié)255
第7章慣導信息輔助圖像目標跟蹤優(yōu)化257
7.1引言257
7.2慣導信息與圖像的融合結(jié)構(gòu)257
7.2.1慣導信息對圖像進行校正258
7.2.2慣導信息對成像位置進行預測258
7.2.3慣導信息與圖像信息的融合制導259
7.2.4慣導信息與圖像信息融合的速度估計259
7.2.5慣導信息與圖像信息融合的電子穩(wěn)像技術(shù)259
7.3基于慣導信息的目標跟蹤模板校正260
7.3.1坐標變換模型建立261
7.3.2模板校正仿真實驗與分析262
7.4基于慣導導航信息的目標跟蹤位置預測263
7.4.1位置預測問題描述263
7.4.2模型建立與方法設計264
7.4.3仿真實驗與結(jié)果分析265
7.5基于慣導增量信息的目標跟蹤位置預測266
7.5.1增量修正問題描述266
7.5.2模型建立與方法設計267
7.5.3仿真實驗與結(jié)果分析269
7.6本章小結(jié)271
第8章紅外圖像目標檢測與跟蹤仿真實驗系統(tǒng)272
8.1引言272
8.2系統(tǒng)結(jié)構(gòu)與工作原理272
8.2.1系統(tǒng)結(jié)構(gòu)組成273
8.2.2系統(tǒng)工作原理274
8.3系統(tǒng)的空間對準與時間對準277
8.3.1空間對準277
8.3.2時間對準279
8.4系統(tǒng)軟件模塊組成281
8.4.1文件管理模塊282
8.4.2目標數(shù)據(jù)仿真生成模塊282
8.4.3目標數(shù)據(jù)集制備模塊286
8.4.4算法仿真與性能評估模塊289
8.5紅外圖像目標檢測與跟蹤實驗驗證292
8.5.1紅外弱小目標檢測仿真實驗驗證292
8.5.2異源圖像匹配檢測仿真實驗驗證293
8.5.3智能目標檢測仿真實驗驗證294
8.5.4智能目標跟蹤仿真實驗驗證295
8.6本章小結(jié)298
參考文獻299
附錄相關專業(yè)術(shù)語314
彩圖