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算法
　　1.2.1 角點特征檢測算法
　　1.2.2 斑點特征檢測算法
　　1.2.3 區(qū)域特征檢測算法
　　1.3 典型特征檢測算法性能評價
　第2章 基于FAST.9 的多尺度快速檢測子
　　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 的角點提取
　　2.2.1 FAST角點檢測算法
　　2.2.2 基于多尺度的FASr9角點提取
　　2.2.3 實驗結(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檢測
　　3.1 曲率角點檢測
　　3.1.1 曲線尺度空間
　　3.1.2 曲率尺度空間角點檢測
　　3.2 改進(jìn)的CSS特征點提取方法
　　3.2.1 改進(jìn)的CSs角點檢測算法
　　3.2.2 實驗結(jié)果與分析
第二篇 基于局部不變特征的紅外與可見光圖像匹
　第4章 基于梯度的紅外與可見光圖像特征點描述與匹配
　　4.1 SIFT算法及紅外與可見光圖像特征點梯度分析
　　4.1.1 尺度空間關(guān)鍵點的檢測
　　4.1.2 關(guān)鍵點的精確定位
　　4.1.3 關(guān)鍵點主方向分配
　　4.1.4 SIFT描述子構(gòu)造
　　4.1.5 特征匹配
　　4.1.6 基于sIFT算法的紅外與可見光圖像梯度分析
　　4.2 基于CSS的特征點梯度匹配算法
　　4.2.1 剔除低對比度特征點
　　4.2.2 特征點主方向構(gòu)成
　　4.2.3 鏡像的SIFT特征點描述
　　4.2.4 描述子匹配
　　4.2.5 實驗結(jié)果與分析
　第5章 基于自相似性的紅外與可見光圖像特征匹配
　　5.1 自相似性目標(biāo)識別算法的性能分析
　　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光圖像特征描述與匹配方法
　　5.3.1 特征點提取
　　5.3.2 基于相關(guān)平面的特征點描述
　　5.3.3 剔除不良描述子與描述子匹配
　　5.3.4 實驗結(jié)果與分析
　第6章 基于形狀上下文的紅外與可見光圖像特征匹配
　　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
　　6.2 紅外與可見光圖像邊緣特征提取方法
　　6.2.1 特征點提取
　　6.2.2 特征點邊緣特性分析
　　6.2.3 特征點邊緣拆分／重組
　　6.2.4 特征點主方向構(gòu)成
　　6.3 基于形狀上下文的特征點描述和匹配方法
　　6.3.1 特征點的子鄰域描述
　　6.3.2 級聯(lián)描述子的構(gòu)造
　　6.3.3 描述子匹配
　　6.3.4 實驗結(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的級聯(lián)描述子匹配算法
　　7.2.1 特征點提取和主方向構(gòu)造
　　7.2.2 基于S—LBP的級聯(lián)描述子構(gòu)造
　　7.2.3 基于s—LBP描述子的匹配運算
　　7.2.4 實驗結(jié)果與分析
　　7.2.5 算法復(fù)雜度分析
　第8章 多特征結(jié)合的紅外與可見光圖像特征點匹配
　　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 實驗結(jié)果與分析
　　8.3 基于梯度與特征點鄰域邊緣的異步多特征圖像匹配算法
　　8.3.1 特征點提取與主方向構(gòu)造
　　8.3.2 基于梯度的描述子構(gòu)造和粗匹配
　　8.3.3 特征點鄰域邊緣描述子
　　8.3.4 特征點精匹配
　　8.3.5 實驗結(jié)果與分析
　第9章 基于線特征的紅外與可見光圖像匹配
　　9.1 直線提取算法
　　9.1.1 典型的檢測算法分析
　　9.1.2 基于(2anny算法的直線提取
　　9.1.3 快速直線檢測算法
　　9.2 直線描述子
　　9.2.1 典型的直線描述子分析
　　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直線描述子
　　9.3.3 分級特征匹配
　　9.3.4 實驗結(jié)果與分析
　　9.4 基于梯度方向直方圖不變矩的直線配準(zhǔn)算法
　　9.4.1 不變矩特征
　　9.4.2 直線主方向的確定
　　9.4.3 直線區(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 實驗結(jié)果與分析
　　9.5 直線和點結(jié)合的紅外和可見光圖像匹配
　　9.5.1 直線的提取
　　9.5.2 直線IIaai描述子和粗匹配
　　9.5.3 虛擬點的精匹配
　　9.5.4 實驗結(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對剔除
　　10.3.1 支持向量回歸思想
　　10.3.2 基于SVR的誤匹配點對剔除算法
　　10.4 實驗與分析
　　10.4.1 實驗數(shù)據(jù)與評價
　　10.4.2 實驗結(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
　　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 實驗結(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 實驗結(jié)果與分析
　第13章 基于在線學(xué)習(xí)的紅外目標(biāo)分類跟蹤方法
　　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Boosting的紅外目標(biāo)分類跟蹤
　　13.3.1 基于在線Boostlng的特征選擇
　　13.3.2 特征及弱分類器設(shè)計
　　13.3.3 taar—like特征
　　13.3.4 2bitBP特征
　　13.3.5 弱分類器選擇
　　13.3.6 跟蹤算法
　　13.4 實驗結(jié)果與分析
參考文獻(xiàn)