篇 紅外圖像目標(biāo)的穩(wěn)定特征提取
　第1章 紅外圖像的局部不變特征
　　1.1 圖像局部不變特征的基本理論
　　1.1.1 圖像特征概述
　　1.1.2 局部不變特征的性質(zhì)
　　1.1.3 特征檢測(cè)算法的研究現(xiàn)狀
　　1.1.4 特征描述算法的研究現(xiàn)狀
　　1.2 幾種典型的圖像特征檢測(cè)算法
　　1.2.1 角點(diǎn)特征檢測(cè)算法
　　1.2.2 斑點(diǎn)特征檢測(cè)算法
　　1.2.3 區(qū)域特征檢測(cè)算法
　　1.3 典型特征檢測(cè)算法性能評(píng)價(jià)
　第2章 基于FAST.9 的多尺度快速檢測(cè)子
　　2.1 尺度空間理論
　　2.1.1 多尺度表達(dá)
　　2.1.2 尺度空間
　　2.1.3 高斯尺度空間的建立
　　2.2 基于FAST.9 的角點(diǎn)提取
　　2.2.1 FAST角點(diǎn)檢測(cè)算法
　　2.2.2 基于多尺度的FASr9角點(diǎn)提取
　　2.2.3 實(shí)驗(yàn)結(jié)果與分析
　第3章 基于改進(jìn)曲率尺度空間的圖像特征點(diǎn)檢測(cè)
　　3.1 曲率角點(diǎn)檢測(cè)
　　3.1.1 曲線(xiàn)尺度空間
　　3.1.2 曲率尺度空間角點(diǎn)檢測(cè)
　　3.2 改進(jìn)的CSS特征點(diǎn)提取方法
　　3.2.1 改進(jìn)的CSs角點(diǎn)檢測(cè)算法
　　3.2.2 實(shí)驗(yàn)結(jié)果與分析
第二篇 基于局部不變特征的紅外與可見(jiàn)光圖像匹
　第4章 基于梯度的紅外與可見(jiàn)光圖像特征點(diǎn)描述與匹配
　　4.1 SIFT算法及紅外與可見(jiàn)光圖像特征點(diǎn)梯度分析
　　4.1.1 尺度空間關(guān)鍵點(diǎn)的檢測(cè)
　　4.1.2 關(guān)鍵點(diǎn)的精確定位
　　4.1.3 關(guān)鍵點(diǎn)主方向分配
　　4.1.4 SIFT描述子構(gòu)造
　　4.1.5 特征匹配
　　4.1.6 基于sIFT算法的紅外與可見(jiàn)光圖像梯度分析
　　4.2 基于CSS的特征點(diǎn)梯度匹配算法
　　4.2.1 剔除低對(duì)比度特征點(diǎn)
　　4.2.2 特征點(diǎn)主方向構(gòu)成
　　4.2.3 鏡像的SIFT特征點(diǎn)描述
　　4.2.4 描述子匹配
　　4.2.5 實(shí)驗(yàn)結(jié)果與分析
　第5章 基于自相似性的紅外與可見(jiàn)光圖像特征匹配
　　5.1 自相似性目標(biāo)識(shí)別算法的性能分析
　　5.2 基于平方和的圖像預(yù)處理
　　5.3 基于自相似性的紅外與可見(jiàn)光圖像特征描述與匹配方法
　　5.3.1 特征點(diǎn)提取
　　5.3.2 基于相關(guān)平面的特征點(diǎn)描述
　　5.3.3 剔除不良描述子與描述子匹配
　　5.3.4 實(shí)驗(yàn)結(jié)果與分析
　第6章 基于形狀上下文的紅外與可見(jiàn)光圖像特征匹配
　　6.1 形狀上下文算法
　　6.1.1 形狀上下文
　　6.1.2 形狀上下文算法步驟
　　6.1.3 形狀上下文算法的特點(diǎn)
　　6.2 紅外與可見(jiàn)光圖像邊緣特征提取方法
　　6.2.1 特征點(diǎn)提取
　　6.2.2 特征點(diǎn)邊緣特性分析
　　6.2.3 特征點(diǎn)邊緣拆分／重組
　　6.2.4 特征點(diǎn)主方向構(gòu)成
　　6.3 基于形狀上下文的特征點(diǎn)描述和匹配方法
　　6.3.1 特征點(diǎn)的子鄰域描述
　　6.3.2 級(jí)聯(lián)描述子的構(gòu)造
　　6.3.3 描述子匹配
　　6.3.4 實(shí)驗(yàn)結(jié)果與分析
　　6.3.5 算法復(fù)雜度分析
　第7章 基于u彈的紅外與可見(jiàn)光圖像特征描述與匹配
　　7.1 LBP特征描述子
　　7.1.1 經(jīng)典的LBP算子
　　7.1.2 圓形鄰域的LBP算子
　　7.1.3 均勻LBP算子
　　7.2 基于S—LBP的級(jí)聯(lián)描述子匹配算法
　　7.2.1 特征點(diǎn)提取和主方向構(gòu)造
　　7.2.2 基于S—LBP的級(jí)聯(lián)描述子構(gòu)造
　　7.2.3 基于s—LBP描述子的匹配運(yùn)算
　　7.2.4 實(shí)驗(yàn)結(jié)果與分析
　　7.2.5 算法復(fù)雜度分析
　第8章 多特征結(jié)合的紅外與可見(jiàn)光圖像特征點(diǎn)匹配
　　8.1 多特征相關(guān)技術(shù)研究概述
　　8.1.1 同步多特征匹配
　　8.1.2 異步多特征匹配
　　8.2 基于梯度與自相似性的同步多特征匹配算法
　　8.2.1 特征點(diǎn)提取和主方向構(gòu)造
　　8.2.2 自相似性描述子構(gòu)造
　　8.2.3 同步多特征描述子構(gòu)造
　　8.2.4 加權(quán)匹配
　　8.2.5 實(shí)驗(yàn)結(jié)果與分析
　　8.3 基于梯度與特征點(diǎn)鄰域邊緣的異步多特征圖像匹配算法
　　8.3.1 特征點(diǎn)提取與主方向構(gòu)造
　　8.3.2 基于梯度的描述子構(gòu)造和粗匹配
　　8.3.3 特征點(diǎn)鄰域邊緣描述子
　　8.3.4 特征點(diǎn)精匹配
　　8.3.5 實(shí)驗(yàn)結(jié)果與分析
　第9章 基于線(xiàn)特征的紅外與可見(jiàn)光圖像匹配
　　9.1 直線(xiàn)提取算法
　　9.1.1 典型的檢測(cè)算法分析
　　9.1.2 基于(2anny算法的直線(xiàn)提取
　　9.1.3 快速直線(xiàn)檢測(cè)算法
　　9.2 直線(xiàn)描述子
　　9.2.1 典型的直線(xiàn)描述子分析
　　9.2.2 均值一標(biāo)準(zhǔn)差描述子
　　9.3 基于Haar小波的直線(xiàn)描述與匹配算法
　　9.3.1 特征及提取方法
　　9.3.2 構(gòu)建taar直線(xiàn)描述子
　　9.3.3 分級(jí)特征匹配
　　9.3.4 實(shí)驗(yàn)結(jié)果與分析
　　9.4 基于梯度方向直方圖不變矩的直線(xiàn)配準(zhǔn)算法
　　9.4.1 不變矩特征
　　9.4.2 直線(xiàn)主方向的確定
　　9.4.3 直線(xiàn)區(qū)域構(gòu)成
　　9.4.4 梯度方向直方圖不變矩的構(gòu)成和匹配
　　9.4.5 實(shí)驗(yàn)結(jié)果與分析
　　9.5 直線(xiàn)和點(diǎn)結(jié)合的紅外和可見(jiàn)光圖像匹配
　　9.5.1 直線(xiàn)的提取
　　9.5.2 直線(xiàn)IIaai描述子和粗匹配
　　9.5.3 虛擬點(diǎn)的精匹配
　　9.5.4 實(shí)驗(yàn)結(jié)果與分析
　第10章 基于圖像變換模型的誤匹配特征剔除
　　10.1　 圖像匹配的映射變換和空間變換模型
　　10.1.1 圖像匹配的映射變換
　　10.1.2 圖像空間變換模型
　　10.2　 RANSAC算法
　　10.3 基于支持向量回歸的誤匹配點(diǎn)對(duì)剔除
　　10.3.1 支持向量回歸思想
　　10.3.2 基于SVR的誤匹配點(diǎn)對(duì)剔除算法
　　10.4 實(shí)驗(yàn)與分析
　　10.4.1 實(shí)驗(yàn)數(shù)據(jù)與評(píng)價(jià)
　　10.4.2 實(shí)驗(yàn)結(jié)果與分析
第三篇 基于特征的紅外圖像目標(biāo)跟蹤
　第11章 基于空間直方圖特征的紅外目標(biāo)均值漂移跟蹤方法
　　11.1 相關(guān)研究概述
　　11.2 均值漂移跟蹤理論
　　11.2.1 核密度估計(jì)
　　11.2.2 均值漂移
　　11.3 紅外圖像目標(biāo)的表示與定位
　　11.3.1 聯(lián)合空間顏色模型
　　11.3.2 相似性度量
　　11.3.3 目標(biāo)定位及跟蹤算法
　　11.4 實(shí)驗(yàn)結(jié)果與分析
　第12章 基于多特征融合的紅外目標(biāo)跟蹤方法
　　12.1 相關(guān)研究概述
　　12.2 目標(biāo)特征選擇
　　12.2.1 顏色特征
　　12.2.2 邊緣特征
　　12.2.3 紋理特征
　　12.2.4 梯度特征
　　12.3 基于多特征的紅外目標(biāo)表示與定位
　　12.3.1 紅外目標(biāo)的多特征描述
　　12.3.2 相似性度量與特征權(quán)重自適應(yīng)選擇
　　12.3.3 目標(biāo)模型自適應(yīng)更新
　　12.4 實(shí)驗(yàn)結(jié)果與分析
　第13章 基于在線(xiàn)學(xué)習(xí)的紅外目標(biāo)分類(lèi)跟蹤方法
　　13.1 相關(guān)研究概述
　　13.2 集成學(xué)習(xí)和Boosting理論
　　13.2.1 集成學(xué)習(xí)
　　13.2.2 Boosting理論
　　13.2.3 AdaBoost模型
　　13.3 基于在線(xiàn)Boosting的紅外目標(biāo)分類(lèi)跟蹤
　　13.3.1 基于在線(xiàn)Boostlng的特征選擇
　　13.3.2 特征及弱分類(lèi)器設(shè)計(jì)
　　13.3.3 taar—like特征
　　13.3.4 2bitBP特征
　　13.3.5 弱分類(lèi)器選擇
　　13.3.6 跟蹤算法
　　13.4 實(shí)驗(yàn)結(jié)果與分析
參考文獻(xiàn)