第一篇 红外图像目标的稳定特征提取 3
第1章 红外图像的局部不变特征 3
1.1 图像局部不变特征的基本理论 3
1.1.1 图像特征概述 3
1.1.2 局部不变特征的性质 4
1.1.3 特征检测算法的研究现状 5
1.1.4 特征描述算法的研究现状 6
1.2 几种最典型的图像特征检测算法 8
1.2.1 角点特征检测算法 8
1.2.2 斑点特征检测算法 11
1.2.3 区域特征检测算法 11
1.3 典型特征检测算法性能评价 11
第2章 基于FAST-9的多尺度快速检测子 16
2.1 尺度空间理论 16
2.1.1 多尺度表达 16
2.1.2 尺度空间 17
2.1.3 高斯尺度空间的建立 17
2.2 基于FAST-9的角点提取 19
2.2.1 FAST角点检测算法 19
2.2.2 基于多尺度的FAST-9角点提取 22
2.2.3 实验结果与分析 23
第3章 基于改进曲率尺度空间的图像特征点检测 28
3.1 曲率角点检测 28
3.1.1 曲线尺度空间 28
3.1.2 曲率尺度空间角点检测 29
3.2 改进的CSS特征点提取方法 30
3.2.1 改进的CSS角点检测算法 31
3.2.2 实验结果与分析 32
第二篇 基于局部不变特征的红外与可见光图像匹配 39
第4章 基于梯度的红外与可见光图像特征点描述与匹配 39
4.1 SIFT算法及红外与可见光图像特征点梯度分析 39
4.1.1 尺度空间关键点的检测 39
4.1.2 关键点的精确定位 40
4.1.3 关键点主方向分配 42
4.1.4 SIFT描述子构造 42
4.1.5 特征匹配 43
4.1.6 基于SIFT算法的红外与可见光图像梯度分析 45
4.2 基于CSS的特征点梯度匹配算法 46
4.2.1 剔除低对比度特征点 46
4.2.2 特征点主方向构成 46
4.2.3 镜像的SIFT特征点描述 47
4.2.4 描述子匹配 48
4.2.5 实验结果与分析 48
第5章 基于自相似性的红外与可见光图像特征匹配 53
5.1 自相似性目标识别算法的性能分析 53
5.2 基于平方和的图像预处理 54
5.3 基于自相似性的红外与可见光图像特征描述与匹配方法 55
5.3.1 特征点提取 56
5.3.2 基于相关平面的特征点描述 56
5.3.3 剔除不良描述子与描述子匹配 57
5.3.4 实验结果与分析 58
第6章 基于形状上下文的红外与可见光图像特征匹配 62
6.1 形状上下文算法 62
6.1.1 形状上下文 62
6.1.2 形状上下文算法步骤 62
6.1.3 形状上下文算法的特点 64
6.2 红外与可见光图像边缘特征提取方法 64
6.2.1 特征点提取 64
6.2.2 特征点边缘特性分析 64
6.2.3 特征点边缘拆分／重组 65
6.2.4 特征点主方向构成 66
6.3 基于形状上下文的特征点描述和匹配方法 67
6.3.1 特征点的子邻域描述 67
6.3.2 级联描述子的构造 67
6.3.3 描述子匹配 68
6.3.4 实验结果与分析 68
6.3.5 算法复杂度分析 72
第7章 基于LBP的红外与可见光图像特征描述与匹配 73
7.1 LBP特征描述子 73
7.1.1 经典的LBP算子 73
7.1.2 圆形邻域的LBP算子 74
7.1.3 均匀LBP算子 74
7.2 基于S-LBP的级联描述子匹配算法 75
7.2.1 特征点提取和主方向构造 75
7.2.2 基于S-LBP的级联描述子构造 75
7.2.3 基于S-LBP描述子的匹配运算 77
7.2.4 实验结果与分析 77
7.2.5 算法复杂度分析 80
第8章 多特征结合的红外与可见光图像特征点匹配 82
8.1 多特征相关技术研究概述 82
8.1.1 同步多特征匹配 82
8.1.2 异步多特征匹配 82
8.2 基于梯度与自相似性的同步多特征匹配算法 84
8.2.1 特征点提取和主方向构造 85
8.2.2 自相似性描述子构造 85
8.2.3 同步多特征描述子构造 85
8.2.4 加权匹配 86
8.2.5 实验结果与分析 87
8.3 基于梯度与特征点邻域边缘的异步多特征图像匹配算法 90
8.3.1 特征点提取与主方向构造 90
8.3.2 基于梯度的描述子构造和粗匹配 90
8.3.3 特征点邻域边缘描述子 91
8.3.4 特征点精匹配 91
8.3.5 实验结果与分析 91
第9章 基于线特征的红外与可见光图像匹配 94
9.1 直线提取算法 94
9.1.1 典型的检测算法分析 94
9.1.2 基于Canny算法的直线提取 95
9.1.3 快速直线检测算法 95
9.2 直线描述子 97
9.2.1 典型的直线描述子分析 97
9.2.2 均值-标准差描述子 97
9.3 基于Haar小波的直线描述与匹配算法 99
9.3.1 Haar-like特征及提取方法 99
9.3.2 构建Haar直线描述子 101
9.3.3 分级特征匹配 103
9.3.4 实验结果与分析 104
9.4 基于梯度方向直方图不变矩的直线配准算法 110
9.4.1 不变矩特征 110
9.4.2 直线主方向的确定 111
9.4.3 直线区域构成 111
9.4.4 梯度方向直方图不变矩的构成和匹配 112
9.4.5 实验结果与分析 113
9.5 直线和点结合的红外和可见光图像匹配 116
9.5.1 直线的提取 116
9.5.2 直线Haar描述子和粗匹配 116
9.5.3 虚拟点的精匹配 117
9.5.4 实验结果与分析 117
第10章 基于图像变换模型的误匹配特征剔除 122
10.1 图像匹配的映射变换和空间变换模型 122
10.1.1 图像匹配的映射变换 122
10.1.2 图像空间变换模型 122
10.2 RANSAC算法 123
10.3 基于支持向量回归的误匹配点对剔除 125
10.3.1 支持向量回归思想 125
10.3.2 基于SVR的误匹配点对剔除算法 127
10.4 实验与分析 128
10.4.1 实验数据与评价 128
10.4.2 实验结果与分析 128
第三篇 基于特征的红外图像目标跟踪 135
第11章 基于空间直方图特征的红外目标均值漂移跟踪方法 135
11.1 相关研究概述 135
11.2 均值漂移跟踪理论 137
11.2.1 核密度估计 137
11.2.2 均值漂移 139
11.3 红外图像目标的表示与定位 139
11.3.1 联合空间颜色模型 140
11.3.2 相似性度量 141
11.3.3 目标定位及跟踪算法 142
11.4 实验结果与分析 143
第12章 基于多特征融合的红外目标跟踪方法 145
12.1 相关研究概述 145
12.2 目标特征选择 146
12.2.1 颜色特征 146
12.2.2 边缘特征 147
12.2.3 纹理特征 148
12.2.4 梯度特征 150
12.3 基于多特征的红外目标表示与定位 150
12.3.1 红外目标的多特征描述 150
12.3.2 相似性度量与特征权重自适应选择 151
12.3.3 目标模型自适应更新 152
12.4 实验结果与分析 154
第13章 基于在线学习的红外目标分类跟踪方法 159
13.1 相关研究概述 159
13.2 集成学习和Boosting理论 160
13.2.1 集成学习 160
13.2.2 Boosting理论 161
13.2.3 AdaBoost模型 162
13.3 基于在线Boosting的红外目标分类跟踪 164
13.3.1 基于在线Boosting的特征选择 164
13.3.2 特征及弱分类器设计 165
13.3.3 Haar-like特征 166
13.3.4 2bitBP特征 167
13.3.5 弱分类器选择 167
13.3.6 跟踪算法 168
13.4 实验结果与分析 169
参考文献 173