第1章 概述1

1.1 水下目標(biāo)檢測(cè)與跟蹤的意義1

1.2 目標(biāo)檢測(cè)技術(shù)的研究現(xiàn)狀2

1.3 目標(biāo)跟蹤技術(shù)的研究現(xiàn)狀5

1.4 基于圖理論的算法6

1.4.1 基于圖方法的基本概念6

1.4.2 圖的構(gòu)造方法7

1.4.3 基于圖方法在視頻跟蹤中的應(yīng)用10

參考文獻(xiàn)11

第2章 圖像預(yù)處理14

2.1 引言14

2.2 濾波算法簡(jiǎn)述15

2.2.1 平滑線(xiàn)性濾波15

2.2.2 維納濾波16

2.2.3 低通濾波17

2.2.4 中值濾波18

2.2.5 基于數(shù)學(xué)形態(tài)學(xué)的濾波19

2.2.6 基于神經(jīng)網(wǎng)絡(luò)的濾波19

2.2.7 基于偏微分方程的濾波21

2.2.8 基于小波變換的濾波22

2.3 聲吶圖像灰度統(tǒng)計(jì)模型特性分析23

2.3.1 聲吶圖像統(tǒng)計(jì)特性23

2.3.2 統(tǒng)計(jì)模型描述24

2.3.3 對(duì)比分析26

2.4 基于偏微分方程的非線(xiàn)性擴(kuò)散濾波算法28

2.4.1 相干斑噪聲28

2.4.2 非線(xiàn)性擴(kuò)散濾波模型29

2.4.3 算法改進(jìn)31

2.4.4 實(shí)驗(yàn)研究34

2.5 基于窗口選擇的自適應(yīng)增強(qiáng)算法36

2.5.1 窗口選擇37

2.5.2 自適應(yīng)窗口增強(qiáng)方法37

2.5.3 實(shí)驗(yàn)研究38

2.6 小結(jié)40

參考文獻(xiàn)40

第3章 聲吶圖像分割43

3.1 引言43

3.2 圖像分割算法簡(jiǎn)述43

3.2.1 閾值化圖像分割43

3.2.2 邊緣檢測(cè)圖像分割44

3.2.3 基于區(qū)域的分割45

3.2.4 基于形態(tài)學(xué)分水嶺的分割46

3.3 基于標(biāo)記和模糊聚類(lèi)的分水嶺聲吶圖像分割47

3.3.1 分水嶺前處理及變換48

3.3.2 基于粒子群算法的模糊聚類(lèi)49

3.3.3 實(shí)驗(yàn)研究52

3.4 基于自適應(yīng)迭代閾值的聲吶圖像分割算法54

3.4.1 算法描述54

3.4.2 實(shí)驗(yàn)研究55

3.5 基于馬爾可夫隨機(jī)場(chǎng)的聲吶圖像分割算法55

3.5.1 算法描述56

3.5.2 實(shí)驗(yàn)研究58

3.6 基于哈爾小波變換的水下小型沉底人造目標(biāo)分割算法60

3.6.1 算法描述61

3.6.2 二值化閾值63

3.6.3 干擾抑制65

3.7 小結(jié)67

參考文獻(xiàn)67


第4章 目標(biāo)檢測(cè)70

4.1 引言70



目 錄

4.2 基于灰度統(tǒng)計(jì)量的檢測(cè)算法71

4.2.1 算法描述71

4.2.2 實(shí)驗(yàn)研究73

4.3 基于紋理特征的目標(biāo)檢測(cè)算法79

4.3.1 算法描述79

4.3.2 實(shí)驗(yàn)研究82

4.4 基于幾何形狀特征的檢測(cè)算法86

4.4.1 算法描述86

4.4.2 實(shí)驗(yàn)研究88

4.5 基于灰度分布概率模型的檢測(cè)算法90

4.5.1 參數(shù)特征檢測(cè)算法90

4.5.2 信息熵檢測(cè)算法92

4.5.3 實(shí)驗(yàn)研究92

4.6 基于殘留輪廓信息的水下沉船目標(biāo)檢測(cè)算法95

4.6.1 目標(biāo)和圖像特性分析95

4.6.2 算法描述與實(shí)驗(yàn)研究96

4.7 基于合成孔徑聲吶圖像的水下條狀人造目標(biāo)檢測(cè)算法102

4.7.1 目標(biāo)和圖像特性分析102

4.7.2 算法描述與實(shí)驗(yàn)研究103

4.8 小結(jié)105

參考文獻(xiàn)105

第5章 目標(biāo)識(shí)別108

5.1 引言108

5.2 基于特征提取的聲吶圖像目標(biāo)識(shí)別算法109

5.2.1 圖像規(guī)格化110

5.2.2 特征選擇與提取111

5.2.3 實(shí)驗(yàn)研究112

5.2.4 基于主成分分析的特征優(yōu)化114

5.3 基于形狀描述直方圖的聲吶圖像目標(biāo)識(shí)別算法116

5.3.1 算法描述116

5.3.2 實(shí)驗(yàn)研究119

5.4 基于形狀上下文的聲吶圖像目標(biāo)識(shí)別算法122

5.4.1 算法描述122

5.4.2 實(shí)驗(yàn)研究123

5.5 小結(jié)124

參考文獻(xiàn)125

第6章 聲吶圖像目標(biāo)跟蹤算法127

6.1 引言127

6.1.1 圖像視覺(jué)特征與跟蹤方法分類(lèi)127

6.1.2 圖像序列分析128

6.2 基于卡爾曼濾波和數(shù)據(jù)關(guān)聯(lián)的跟蹤算法131

6.2.1 算法描述131

6.2.2 實(shí)驗(yàn)研究134

6.3 基于形態(tài)特征的水下運(yùn)動(dòng)小目標(biāo)跟蹤算法136

6.3.1 單邊分段自適應(yīng)閾值化136

6.3.2 形態(tài)特征提取和跟蹤137

6.3.3 實(shí)驗(yàn)研究140

6.4 基于支持向量機(jī)的水下動(dòng)目標(biāo)跟蹤算法141

6.4.1 圖像預(yù)處理142

6.4.2 特征參數(shù)提取和跟蹤143

6.4.3 實(shí)驗(yàn)研究144

6.5 基于聲吶序列圖像的水下小目標(biāo)檢測(cè)算法147

6.5.1 屏蔽背景噪聲區(qū)147

6.5.2 濾波去噪149

6.5.3 消除“雙影”和“空洞”現(xiàn)象的雙幀差檢測(cè)149

6.5.4 圖像弱化腐蝕151

6.5.5 生成警戒區(qū)152

6.5.6 實(shí)驗(yàn)研究153

6.6 基于全局最近鄰數(shù)據(jù)關(guān)聯(lián)的水下動(dòng)目標(biāo)跟蹤算法155

6.6.1 目標(biāo)參數(shù)計(jì)算155

6.6.2 基于面積約束的全局域最近鄰數(shù)據(jù)關(guān)聯(lián)156

6.6.3 波浪跟蹤160

6.7 小結(jié)161

參考文獻(xiàn)162

第7章 基于最小生成樹(shù)的目標(biāo)跟蹤算法164

7.1 引言164

7.2 單類(lèi)分類(lèi)器與目標(biāo)跟蹤165

7.2.1 目標(biāo)跟蹤中的單類(lèi)分類(lèi)器與兩類(lèi)分類(lèi)器165

7.2.2 單類(lèi)分類(lèi)問(wèn)題166

7.3 最小生成樹(shù)單類(lèi)描述子168

7.4 基于最小生成樹(shù)的目標(biāo)跟蹤算法169

7.4.1 目標(biāo)運(yùn)動(dòng)模型170

7.4.2 目標(biāo)類(lèi)訓(xùn)練樣本集的構(gòu)建170

7.4.3 基于最小生成樹(shù)的目標(biāo)跟蹤算法172

7.4.4 圖的更新172

7.4.5 算法步驟173

7.5 實(shí)驗(yàn)研究173

7.5.1 與兩類(lèi)分類(lèi)器的比較175

7.5.2 樣本選擇策略的有效性175

7.5.3 最小生成樹(shù)節(jié)點(diǎn)數(shù)目的影響178

7.5.4 與其他算法的比較178

7.6 小結(jié)189

參考文獻(xiàn)190

第8章 基于圖的半監(jiān)督目標(biāo)跟蹤算法192

8.1 引言192

8.2 背景知識(shí)193

8.2.1 基于圖的半監(jiān)督學(xué)習(xí)193

8.2.2 局部敏感判別分析方法196

8.3 基于圖的半監(jiān)督目標(biāo)跟蹤197

8.3.1 樣本集的構(gòu)建197

8.3.2 基于部件的目標(biāo)表示199

8.3.3 基于圖的半監(jiān)督跟蹤200

8.3.4 圖的更新200

8.3.5 算法步驟201

8.4 實(shí)驗(yàn)研究202

8.4.1 樣本集構(gòu)建方法分析202

8.4.2 圖的節(jié)點(diǎn)數(shù)目對(duì)算法影響的分析203

8.4.3 與其他算法的比較205

8.5 小結(jié)215

參考文獻(xiàn)216

第9章 基于��1圖半監(jiān)督學(xué)習(xí)的目標(biāo)跟蹤算法217

9.1 引言217

9.2 背景知識(shí)217

9.2.1 圖的構(gòu)建方法217

9.2.2 ��1圖的構(gòu)建219

9.3 基于��1圖的目標(biāo)跟蹤219

9.3.1 特征空間221

9.3.2 樣本采集221

9.3.3 基于��1圖的半監(jiān)督學(xué)習(xí)222

9.3.4 多特征融合與目標(biāo)定位223

9.4 實(shí)驗(yàn)研究223

9.4.1 與k近鄰圖的比較223

9.4.2 與其他算法的比較226

9.5 小結(jié)235

參考文獻(xiàn)236

第10章 基于多視圖半監(jiān)督協(xié)同訓(xùn)練的
目標(biāo)跟蹤算法237

10.1 引言237

10.2 基于多視圖半監(jiān)督協(xié)同學(xué)習(xí)的目標(biāo)跟蹤238

10.2.1 算法框架239

10.2.2 樣本采集239

10.2.3 多視圖數(shù)據(jù)集的建立239

10.2.4 單視圖下分類(lèi)器的構(gòu)建241

10.2.5 基于負(fù)類(lèi)的多視圖協(xié)同訓(xùn)練241

10.2.6 分類(lèi)器權(quán)重估計(jì)與目標(biāo)定位242

10.2.7 圖的更新243

10.3 實(shí)驗(yàn)研究243

10.3.1 定量比較243

10.3.2 定性比較251

10.4 小結(jié)253

參考文獻(xiàn)254

第11章 基于圖的目標(biāo)跟蹤算法在無(wú)人機(jī)對(duì)
地（海）面目標(biāo)視頻
跟蹤中的應(yīng)用255

11.1 引言255

11.2 無(wú)人機(jī)對(duì)地（海）面目標(biāo)視頻跟蹤的特點(diǎn)255

11.3 無(wú)人機(jī)對(duì)地（海）面目標(biāo)視頻跟蹤實(shí)驗(yàn)256

11.3.1 實(shí)驗(yàn)數(shù)據(jù)庫(kù)256

11.3.2 實(shí)驗(yàn)結(jié)果260

11.4 小結(jié)271

參考文獻(xiàn)272