《無人機偵察情報處理技術》是一本2021年出版的圖書，由科學出版社出版
基本介紹
- 中文名：無人機偵察情報處理技術
- 作者：王長龍
- 出版時間：2021年
- 出版社：科學出版社
- ISBN：9787030694133
- 類別：政治軍事類圖書
- 開本：16 開
- 裝幀：平裝
內容簡介,圖書目錄,
內容簡介
《無人機偵察情報處理技術》介紹了無人機偵察情報處理的三部分內容，分別為圖像融合、目標識別以及目標跟蹤。圖像融合介紹了紅外和可見光的快速配準技術、結合變換域與空間域的灰度級融合技術和基於IHS變換與目標增強的彩色級融合技術。對於SAR圖像的自動目標識別，說明了基於自適應篩選快速CFAR算法的目標檢測、基於Krawtchouk矩特徵的目標鑑別以及基於卷積神經網路和深度學習的目標識別。針對長時目標跟蹤，闡述了基於相關濾波的自適應特徵融合與目標重檢測技術。
圖書目錄
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及融合研究現狀 4
1.2.1 圖像配準技術研究現狀 4
1.2.2 圖像融合技術研究現狀 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 圖像配準基本理論 8
1.4.1 空間變換模型 8
1.4.2 圖像配準方法 10
1.4.3 配準效果評價標準 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 融合效果評價標準 20
1.6 本篇主要研究內容 23
第2章 基於形態學邊緣檢測與改進ORB的圖像配準 25
2.1 引言 25
2.2 算法框架 26
2.2.1 形態學邊緣檢測 26
2.2.2 改進的ORB算法 28
2.2.3 特徵點提取、描述與匹配 28
2.3 基於GMS與PROSAC的雙重誤匹配剔除 31
2.3.1 基於GMS的誤匹配剔除 31
2.3.2 基於PROSAC的二次誤匹配剔除 33
2.4 仿真實驗與結果分析 33
2.4.1 實驗仿真結果 33
2.4.2 配準結果分析 36
2.5 本章小結 37
第3章 基於NSDTCT與自適應分塊的圖像融合 38
3.1 引言 38
3.2 相關理論 39
3.2.1 NSDTCT 39
3.2.2 果蠅最佳化算法 40
3.3 融合步驟與策略 41
3.3.1 融合方案 41
3.3.2 基於FOA算法最佳化的自適應分塊 42
3.3.3 標籤圖的產生過程 44
3.3.4 高頻分量融合策略 46
3.4 仿真實驗與結果分析 47
3.4.1 實驗參數設定 47
3.4.2 仿真結果分析 48
3.5 本章小結 52
第4章 基於IHS變換與目標增強的圖像融合 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 基於RPCA的目標增強 55
4.3 仿真實驗與結果分析 57
4.3.1 仿真條件 57
4.3.2 實驗結果及分析 57
4.4 本章小結 59
本篇小結 60
目標識別篇
第5章 SAR圖像自動目標識別概述 63
5.1 SAR圖像自動目標識別簡介 63
5.2 SAR圖像自動目標識別研究現狀 64
5.2.1 目標檢測 64
5.2.2 目標鑑別 65
5.2.3 目標識別 66
5.3 本篇主要研究內容 67
第6章 基於自適應篩選快速CFAR算法的目標檢測 69
6.1 引言 69
6.2 雙參數CFAR算法在多目標環境下的性能研究 69
6.2.1 雙參數CFAR算法 69
6.2.2 參考窗內包含目標像素的影響理論推導 71
6.2.3 參考窗內包含目標像素的影響仿真研究 71
6.3 自適應篩選快速CFAR算法流程 73
6.3.1 參考視窗像素的自適應篩選 73
6.3.2 自適應篩選仿真實驗 75
6.3.3 區域閾值的可行性分析 77
6.4 實驗驗證 78
6.4.1 實驗設定 78
6.4.2 實驗結果及分析 78
6.5 本章小結 80
第7章 基於Krawtchouk矩特徵的目標鑑別 81
7.1 引言 81
7.2 SAR圖像的Krawtchouk矩特徵提取 81
7.2.1 Krawtchouk矩 81
7.2.2 基於信息係數的特徵選擇 82
7.3 代價敏感神經網路分類器設計 83
7.3.1 多隱層神經網路 83
7.3.2 非均等代價函式 84
7.4 實驗驗證 84
7.4.1 實驗設定 84
7.4.2 評價指標 85
7.4.3 實驗結果及分析 86
7.5 本章小結 90
第8章 基於卷積神經網路和深度學習的目標識別 91
8.1 引言 91
8.2 卷積神經網路目標識別流程 91
8.3 改進的特徵提取網路結構 92
8.3.1 特徵提取網路的結構 92
8.3.2 卷積神經網路對噪聲的抑制 93
8.4 最佳化的Softmax分類器 94
8.4.1 正則化項 94
8.4.2 dropout原理 95
8.5 卷積神經網路目標識別實驗驗證 96
8.5.1 實驗設定 96
8.5.2 實驗結果及分析 98
8.6 基於深度學習的目標檢測框架 101
8.6.1 Faster-RCNN目標檢測框架 101
8.6.2 SSD目標檢測框架 102
8.7 針對SAR圖像的檢測框架研究 103
8.7.1 預訓練模型 103
8.7.2 零均值規整化 103
8.8 深度學習目標檢測實驗驗證 104
8.8.1 實驗設定 104
8.8.2 實驗結果及分析 105
8.9 本章小結 109
本篇小結 110
目標跟蹤篇
第9章 目標跟蹤概述 113
9.1 目標跟蹤簡介 113
9.2 目標跟蹤研究現狀 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 本篇主要研究內容 121
第10章 相關濾波目標跟蹤基礎理論 123
10.1 引言 123
10.2 背景感知相關濾波目標跟蹤方法 123
10.2.1 標準相關濾波目標跟蹤方法 123
10.2.2 背景感知相關濾波器 124
10.2.3 尺度估計 126
10.3 進一步改進最佳化方向 127
10.4 實驗數據與評價指標 128
10.4.1 數據集 128
10.4.2 評價指標 130
10.5 本章小結 132
第11章 時空感知相關濾波器 133
11.1 引言 133
11.2 時空感知相關濾波器模板訓練 133
11.3 時空感知相關濾波器方法步驟 136
11.4 時空感知相關濾波器實驗與分析 137
11.4.1 對比實驗設定 137
11.4.2 數據集 137
11.4.3 實驗具體參數設定 138
11.4.4 實驗結果及分析 138
11.5 特徵選擇 146
11.5.1 人工特徵 146
11.5.2 深度特徵 148
11.5.3 自適應特徵選擇 149
11.6 自適應特徵選擇實驗與分析 151
11.6.1 對比實驗設定 151
11.6.2 測試數據集 151
11.6.3 實驗具體參數設定 151
11.6.4 實驗結果及分析 151
11.7 本章小結 155
第12章 長時目標跟蹤 157
12.1 引言 157
12.2 EdgeBoxes候選區域提取 158
12.3 結構化支持向量機 160
12.4 自適應目標重檢測 161
12.5 自適應目標重檢測方法步驟 162
12.6 自適應目標重檢測實驗與分析 163
12.6.1 對比實驗設定 163
12.6.2 數據集 164
12.6.3 實驗具體參數設定 164
12.6.4 實驗分析 164
12.7 長時目標跟蹤框架及目標尺度估計 166
12.8 長時目標跟蹤方法步驟 167
12.9 長時目標跟蹤實驗與分析 168
12.9.1 實驗數據 168
12.9.2 對比實驗設定 168
12.9.3 實驗設定 169
12.9.4 定量分析 169
12.9.5 定性分析 189
12.10 本章小結 192
本篇小結 194
參考文獻 195
彩圖
