智能目标感知——无人机视觉电子书

前折页

版权页

内容简介

Object Perception With Al:UAV Vision

前言

符号对照表

缩略语对照表

第1章 无人机视觉与智能目标感知系统框架

1.1 无人机的发展历程

1.2 无人机载荷

1.3 无人机视觉感知技术

1.3.1 无人机视觉感知的发展现状

1.3.2 无人机视觉系统的重要性

1.3.3 目标感知与智能计算面临的挑战和机遇

1.4 格式塔认知理论与无人机视觉

1.4.1 格式塔认知理论的基本原则

1.4.2 格式塔与无人机视觉

1.5 智能目标感知系统框架

1.5.1 感知系统框架的信息系统

1.5.2 信息粒度与视野嵌套

1.5.3 任务驱动的感知野划分与集合建模

1.5.4 智能目标感知的技术实现路径

1.6 无人机视觉信息粒度理论

1.6.1 图像金字塔

1.6.2 尺度空间理论

1.6.3 视觉注意力机制与层次化感知

1.7 无人机全局视野（GP）感知——全局信息整合

1.7.1 全局视野图像的特性与挑战

1.7.2 关键技术

1.7.3 基于HOG算法的全局特征提取方法

1.8 无人机视觉系统的应用场景

1.8.1 军事侦察

1.8.2 环境监测

1.8.3 交通管理

1.9 小结

第2章 无人机局部视觉感知与预处理

2.1 引言

2.2 无人机中视野（MP）感知——局部区域分析

2.2.1 基于SURF算法的局部特征提取技术

2.2.2 基于超像素分割的区域特征提取技术

2.3 无人机局部小视野（SP）感知——目标精细识别

2.3.1 精细特征提取机制

2.3.2 多尺度与区域建模方法

2.3.3 小目标检测与识别框架

2.3.4 深度特征融合方法与判别性学习策略

2.4 图像去噪

2.4.1 高斯噪声及其降噪方法

2.4.2 斑点噪声及其去噪方法

2.5 图像去雾

2.5.1 暗通道先验方法

2.5.2 一种基于暗通道先验的快速去雾算法

2.6 图像几何校正与配准

2.6.1 单应性变换

2.6.2 基于投影不变性的航拍图像配准方法

2.7 形状特征检索与分析

2.7.1 形状特征描述

2.7.2 形状特征匹配与检索

2.8 小结

第3章 无人机视觉目标智能检测

3.1 目标检测

3.1.1 目标检测的发展历程

3.1.2 传统方法与深度学习方法的比较

3.1.3 当前目标检测的挑战与优化方向

3.2 无人机光学图像目标检测

3.2.1 无人机光学成像的特点与检测场景

3.2.2 典型深度目标检测模型与技术路线

3.2.3 复杂背景下的目标检测与改进策略

3.3 无人机红外图像目标检测

3.3.1 红外图像的成像机制与无人机应用场景

3.3.2 红外图像目标检测的技术特点与难点

3.3.3 红外图像的主流深度目标检测模型与适配方法

3.4 无人机SAR图像目标检测

3.4.1 SAR的成像机制与图像特性概述

3.4.2 SAR图像目标检测的基本方法

3.4.3 SAR图像的降斑预处理

3.5 无人机数据的多模态融合检测：红外–光学

3.5.1 红外--光学图像的互补性分析

3.5.2 局部对齐与差异感知机制

3.5.3 工程部署策略与应用案例分析

3.6 无人机数据的多模态融合检测：光学–SAR

3.6.1 光学图像与SAR图像的特性分析

3.6.2 光学图像与SAR图像的特征互补性

3.6.3 配准技术的分类与关键方法

3.6.4 多模态对齐机制

3.6.5 典型光学--SAR融合检测网络结构

3.7 小结

第4章 无人机目标识别与跟踪

4.1 引言

4.2 智能目标感知与识别

4.2.1 经典目标分类与检测模型

4.2.2 基于双层约束机制的快速形状识别方法

4.2.3 特征匹配与相似性度量

4.2.4 基于多形态特征融合的快速形状识别

4.3 场景语义与运动目标

4.3.1 多模态场景语义建模

4.3.2 运动目标状态估计

4.3.3 基于层次粒子滤波的跟踪优化

4.4 多目标跟踪算法与优化

4.4.1 经典多目标跟踪框架

4.4.2 复杂场景中的鲁棒性增强

4.4.3 基于MDNet的实时跟踪框架

4.5 注意力模型与特征提取

4.5.1 典型注意力模型

4.5.2 显著特征提取

4.5.3 无人机平台注意力优化策略

4.6 实时跟踪与资源分配策略

4.6.1 经典轻量化神经网络模型部署

4.6.2 计算资源动态调度

4.7 运动目标稳像

4.7.1 稳像任务背景与问题建模

4.7.2 图像抖动类型与运动估计方法分类

4.7.3 典型稳像算法的设计与实现

4.7.4 多算法协同与系统调度机制

4.7.5 稳像系统的评估方法与实验设计

4.8 小结

第5章 无人机智能计算的轻量化神经网络模型

5.1 引言

5.2 轻量化神经网络结构设计

5.2.1 经典轻量化神经网络模型

5.2.2 基于轮廓约束的轻量化神经网络优化

5.3 模型剪枝与量化

5.3.1 经典的模型剪枝与量化方法

5.3.2 基于进化算法的动态剪枝方法

5.3.3 动态剪枝方法的优势与挑战

5.4 剪枝的相关理论

5.4.1 剪枝的必要性分析

5.4.2 剪枝问题的数学模型构建

5.4.3 剪枝方法的评判标准

5.4.4 剪枝框架

5.4.5 实验数据集

5.5 网络结构降约束优化框架

5.5.1 结构降约束框架设计

5.5.2 约束强度分配

5.6 知识蒸馏与模型压缩

5.6.1 经典的知识蒸馏方法

5.6.2 多模态特征蒸馏技术

5.7 端到端目标检测框架的设计

5.7.1 单阶段目标检测框架

5.7.2 双阶段目标检测框架

5.7.3 Transformer-based目标检测框架

5.7.4 框架对比与选型原则

5.8 小结

第6章 无人机嵌入式智能计算系统

6.1 引言

6.2 STM32嵌入式平台

6.2.1 STM32嵌入式系统架构

6.2.2 实时任务调度与功耗优化

6.3 基于FPGA/GPU的加速技术

6.3.1 FPGA并行加速实现

6.3.2 GPU计算资源分配优化

6.4 多无人机协同感知系统

6.4.1 背景与系统架构

6.4.2 协同任务建模与分配机制

6.4.3 多源感知数据融合方法

6.4.4 通信协同与链路调度

6.4.5 协同飞行与轨迹优化

6.4.6 实时感知与边缘计算部署

6.4.7 系统评估指标与实验设计

6.5 小结

第7章 无人机SAR运动舰船目标检测应用实例

7.1 引言

7.2 运动舰船的SAR平台模型

7.3 面向低比特距离压缩SAR数据域的运动舰船目标检测

7.3.1 运动舰船目标检测

7.3.2 基于距离压缩域的运动目标参数估计

7.4 低比特SAR数据的运动舰船目标重聚焦

7.4.1 运动目标重聚焦方法

7.4.2 非凸优化与稀疏性增强

7.5 实验结果与分析

7.5.1 仿真数据实验

7.5.2 真实数据实验

7.5.3 小结

参考文献