無人機(jī)偵察情報(bào)處理技術(shù)

目錄
前言
圖像融合篇
第1章 圖像融合概述 3
1.1 圖像融合簡介 3
1.2 紅外與可見光圖像配準(zhǔn)及融合研究現(xiàn)狀 4
1.2.1 圖像配準(zhǔn)技術(shù)研究現(xiàn)狀 4
1.2.2 圖像融合技術(shù)研究現(xiàn)狀 5
1.3 成像特性分析 6
1.3.1 紅外成像特性 6
1.3.2 可見光成像特性 7
1.3.3 紅外與可見光圖像特性對比 7
1.4 圖像配準(zhǔn)基本理論 8
1.4.1 空間變換模型 8
1.4.2 圖像配準(zhǔn)方法 10
1.4.3 配準(zhǔn)效果評價(jià)標(biāo)準(zhǔn) 12
1.5 圖像融合基本理論 13
1.5.1 圖像融合層次劃分 13
1.5.2 圖像融合方法 14
1.5.3 融合效果評價(jià)標(biāo)準(zhǔn) 20
1.6 本篇主要研究內(nèi)容 23
第2章 基于形態(tài)學(xué)邊緣檢測與改進(jìn)ORB的圖像配準(zhǔn) 25
2.1 引言 25
2.2 算法框架 26
2.2.1 形態(tài)學(xué)邊緣檢測 26
2.2.2 改進(jìn)的ORB算法 28
2.2.3 特征點(diǎn)提取、描述與匹配 28
2.3 基于GMS與PROSAC的雙重誤匹配剔除 31
2.3.1 基于GMS的誤匹配剔除 31
2.3.2 基于PROSAC的二次誤匹配剔除 33
2.4 仿真實(shí)驗(yàn)與結(jié)果分析 33
2.4.1 實(shí)驗(yàn)仿真結(jié)果 33
2.4.2 配準(zhǔn)結(jié)果分析 36
2.5 本章小結(jié) 37
第3章 基于NSDTCT與自適應(yīng)分塊的圖像融合 38
3.1 引言 38
3.2 相關(guān)理論 39
3.2.1 NSDTCT 39
3.2.2 果蠅優(yōu)化算法 40
3.3 融合步驟與策略 41
3.3.1 融合方案 41
3.3.2 基于FOA算法優(yōu)化的自適應(yīng)分塊 42
3.3.3 標(biāo)簽圖的產(chǎn)生過程 44
3.3.4 高頻分量融合策略 46
3.4 仿真實(shí)驗(yàn)與結(jié)果分析 47
3.4.1 實(shí)驗(yàn)參數(shù)設(shè)置 47
3.4.2 仿真結(jié)果分析 48
3.5 本章小結(jié) 52
第4章 基于IHS變換與目標(biāo)增強(qiáng)的圖像融合 53
4.1 引言 53
4.2 融合步驟 54
4.2.1 融合方案 54
4.2.2 IHS色彩空間變換 54
4.2.3 基于RPCA的目標(biāo)增強(qiáng) 55
4.3 仿真實(shí)驗(yàn)與結(jié)果分析 57
4.3.1 仿真條件 57
4.3.2 實(shí)驗(yàn)結(jié)果及分析 57
4.4 本章小結(jié) 59
本篇小結(jié) 60
目標(biāo)識別篇
第5章 SAR圖像自動(dòng)目標(biāo)識別概述 63
5.1 SAR圖像自動(dòng)目標(biāo)識別簡介 63
5.2 SAR圖像自動(dòng)目標(biāo)識別研究現(xiàn)狀 64
5.2.1 目標(biāo)檢測 64
5.2.2 目標(biāo)鑒別 65
5.2.3 目標(biāo)識別 66
5.3 本篇主要研究內(nèi)容 67
第6章 基于自適應(yīng)篩選快速CFAR算法的目標(biāo)檢測 69
6.1 引言 69
6.2 雙參數(shù)CFAR算法在多目標(biāo)環(huán)境下的性能研究 69
6.2.1 雙參數(shù)CFAR算法 69
6.2.2 參考窗內(nèi)包含目標(biāo)像素的影響理論推導(dǎo) 71
6.2.3 參考窗內(nèi)包含目標(biāo)像素的影響仿真研究 71
6.3 自適應(yīng)篩選快速CFAR算法流程 73
6.3.1 參考窗口像素的自適應(yīng)篩選 73
6.3.2 自適應(yīng)篩選仿真實(shí)驗(yàn) 75
6.3.3 區(qū)域閾值的可行性分析 77
6.4 實(shí)驗(yàn)驗(yàn)證 78
6.4.1 實(shí)驗(yàn)設(shè)置 78
6.4.2 實(shí)驗(yàn)結(jié)果及分析 78
6.5 本章小結(jié) 80
第7章 基于Krawtchouk矩特征的目標(biāo)鑒別 81
7.1 引言 81
7.2 SAR圖像的Krawtchouk矩特征提取 81
7.2.1 Krawtchouk矩 81
7.2.2 基于最大信息系數(shù)的特征選擇 82
7.3 代價(jià)敏感神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì) 83
7.3.1 多隱層神經(jīng)網(wǎng)絡(luò) 83
7.3.2 非均等代價(jià)函數(shù) 84
7.4 實(shí)驗(yàn)驗(yàn)證 84
7.4.1 實(shí)驗(yàn)設(shè)置 84
7.4.2 評價(jià)指標(biāo) 85
7.4.3 實(shí)驗(yàn)結(jié)果及分析 86
7.5 本章小結(jié) 90
第8章 基于卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的目標(biāo)識別 91
8.1 引言 91
8.2 卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)識別流程 91
8.3 改進(jìn)的特征提取網(wǎng)絡(luò)結(jié)構(gòu) 92
8.3.1 特征提取網(wǎng)絡(luò)的結(jié)構(gòu) 92
8.3.2 卷積神經(jīng)網(wǎng)絡(luò)對噪聲的抑制 93
8.4 優(yōu)化的Softmax分類器 94
8.4.1 正則化項(xiàng) 94
8.4.2 dropout原理 95
8.5 卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)識別實(shí)驗(yàn)驗(yàn)證 96
8.5.1 實(shí)驗(yàn)設(shè)置 96
8.5.2 實(shí)驗(yàn)結(jié)果及分析 98
8.6 基于深度學(xué)習(xí)的目標(biāo)檢測框架 101
8.6.1 Faster-RCNN目標(biāo)檢測框架 101
8.6.2 SSD目標(biāo)檢測框架 102
8.7 針對SAR圖像的檢測框架研究 103
8.7.1 預(yù)訓(xùn)練模型 103
8.7.2 零均值規(guī)整化 103
8.8 深度學(xué)習(xí)目標(biāo)檢測實(shí)驗(yàn)驗(yàn)證 104
8.8.1 實(shí)驗(yàn)設(shè)置 104
8.8.2 實(shí)驗(yàn)結(jié)果及分析 105
8.9 本章小結(jié) 109
本篇小結(jié) 110
目標(biāo)跟蹤篇
第9章 目標(biāo)跟蹤概述 113
9.1 目標(biāo)跟蹤簡介 113
9.2 目標(biāo)跟蹤研究現(xiàn)狀 114
9.2.1 生成式跟蹤方法 114
9.2.2 判別式跟蹤方法 118
9.3 本篇主要研究內(nèi)容 121
第10章 相關(guān)濾波目標(biāo)跟蹤基礎(chǔ)理論 123
10.1 引言 123
10.2 背景感知相關(guān)濾波目標(biāo)跟蹤方法 123
10.2.1 標(biāo)準(zhǔn)相關(guān)濾波目標(biāo)跟蹤方法 123
10.2.2 背景感知相關(guān)濾波器 124
10.2.3 尺度估計(jì) 126
10.3 進(jìn)一步改進(jìn)優(yōu)化方向 127
10.4 實(shí)驗(yàn)數(shù)據(jù)與評價(jià)指標(biāo) 128
10.4.1 數(shù)據(jù)集 128
10.4.2 評價(jià)指標(biāo) 130
10.5 本章小結(jié) 132
第11章 時(shí)空感知相關(guān)濾波器 133
11.1 引言 133
11.2 時(shí)空感知相關(guān)濾波器模板訓(xùn)練 133
11.3 時(shí)空感知相關(guān)濾波器方法步驟 136
11.4 時(shí)空感知相關(guān)濾波器實(shí)驗(yàn)與分析 137
11.4.1 對比實(shí)驗(yàn)設(shè)置 137
11.4.2 數(shù)據(jù)集 137
11.4.3 實(shí)驗(yàn)具體參數(shù)設(shè)置 138
11.4.4 實(shí)驗(yàn)結(jié)果及分析 138
11.5 特征選擇 146
11.5.1 人工特征 146
11.5.2 深度特征 148
11.5.3 自適應(yīng)特征選擇 149
11.6 自適應(yīng)特征選擇實(shí)驗(yàn)與分析 151
11.6.1 對比實(shí)驗(yàn)設(shè)置 151
11.6.2 測試數(shù)據(jù)集 151
11.6.3 實(shí)驗(yàn)具體參數(shù)設(shè)置 151
11.6.4 實(shí)驗(yàn)結(jié)果及分析 151
11.7 本章小結(jié) 155
第12章 長時(shí)目標(biāo)跟蹤 157
12.1 引言 157
12.2 EdgeBoxes候選區(qū)域提取 158
12.3 結(jié)構(gòu)化支持向量機(jī) 160
12.4 自適應(yīng)目標(biāo)重檢測 161
12.5 自適應(yīng)目標(biāo)重檢測方法步驟 162
12.6 自適應(yīng)目標(biāo)重檢測實(shí)驗(yàn)與分析 163
12.6.1 對比實(shí)驗(yàn)設(shè)置 163
12.6.2 數(shù)據(jù)集 164
12.6.3 實(shí)驗(yàn)具體參數(shù)設(shè)置 164
12.6.4 實(shí)驗(yàn)分析 164
12.7 長時(shí)目標(biāo)跟蹤框架及目標(biāo)尺度估計(jì) 166
12.8 長時(shí)目標(biāo)跟蹤方法步驟 167
12.9 長時(shí)目標(biāo)跟蹤實(shí)驗(yàn)與分析 168
12.9.1 實(shí)驗(yàn)數(shù)據(jù) 168
12.9.2 對比實(shí)驗(yàn)設(shè)置 168
12.9.3 實(shí)驗(yàn)設(shè)置 169
12.9.4 定量分析 169
12.9.5 定性分析 189
12.10 本章小結(jié) 192
本篇小結(jié) 194
參考文獻(xiàn) 195
彩圖