基于人类视觉机制和粒子滤波的红外目标检测和跟踪
发布时间：2020-12-31 01:26
近年来,红外目标检测和跟踪技术以其良好的隐蔽性、较强的抗干扰能力等优点受到各国的广泛关注,被广泛的应用于红外制导、卫星预警、无人侦察、工业、农业、医学、交通、航空航天等领域。但是,仍然存在复杂背景下的红外目标的检测和跟踪精度低的问题。为此,本文对复杂背景下红外目标的检测和跟踪算法进行了相关的研究。文章为先检测后跟踪的整体思路,主要研究对象为红外弱小目标和特定的常规红外目标,以检测和跟踪的精度、实时性为出发点,提供了关于红外探测技术的相关分析方法。首先,利用人类视觉对比机制对复杂背景下的红外弱小目标进行检测,算法主要模拟了人眼对目标对比度敏感这一机制。首先利用8向梯度方程提取红外图像的梯度显著图并二值化处理;根据小目标的尺寸大小特征对梯度显著图进行优化处理,剔除孤立的噪声点和尺寸较大的背景梯度显著区域;利用视觉对比机制对优化后的显著图进行局部对比度计算,通过阈值处理剔除虚警目标,完成红外弱小目标检测。在对常规特定红外目标的检测情况下,本文引入了基于卷积神经网络的红外目标检测算法,将卷积神经网络应用于特定红外目标的检测。利用红外目标正负样本对卷积神经网络进行迭代训练并进行检测测试实验,该检...
【文章来源】：江苏科技大学江苏省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
红外目标Fig.2.2Imageofinfraredtarget
图 2.3 灰度三维图ig.2.3 Gray scale three-dimensional image of Infrared im制的工作原理如图 2.4 所示：1 2 34 A 56 7 8图 2.4 图像块及其 8 个邻域Fig2.4 Image block and its 8 neighborhood 4 中的 A 图像块内，则求取红外图像中 A 图像素的灰度均值，计算 A 区域与周围 8 个邻
14（e）视觉对比机制处理后的梯度显著图 （f）目标检测结果图 2.5 目标检测流程图Fig.2.5 Flow chart of target detection仿真实验验证本算法的有效性，在配置 2.5GHz 双核处理器和 2GB 内存的联想 G脑上进行了仿真实验，所用软件为 Matlab2011b。实验主要分为两部分，文算法与 Top-hat 算子、SUSAN 算子、K-means 算子、3 帧差法及混合的检测结果对比；第二部分为本文算法在不同背景下对红外弱小目标的
【参考文献】：
期刊论文
[1]基于视觉注意机制的彩色图像显著性区域提取[J]. 孟琭. 计算机应用研究. 2013(10)
[2]改进的万有引力搜索算法在函数优化中的应用[J]. 张维平,任雪飞,李国强,牛培峰. 计算机应用. 2013(05)
[3]基于人类视觉智能和粒子滤波的鲁棒目标跟踪算法[J]. 朱明清,王智灵,陈宗海. 控制与决策. 2012(11)
[4]基于改进万有引力搜索算法的无人机航路规划[J]. 李沛,段海滨. 中国科学:技术科学. 2012(10)
[5]复杂背景下红外弱小目标检测算法研究[J]. 罗蓓蓓,伊兴国,申越,孔鹏,董期林,张卫,李晨光,傅强. 应用光学. 2012(05)
[6]基于新型粒子群优化的粒子滤波雷达目标跟踪算法[J]. 陈志敏,薄煜明,吴盘龙,陈富. 信息与控制. 2012(04)
[7]一种人工物理优化的粒子滤波算法[J]. 刘繁明,钱东,刘超华. 控制与决策. 2012(08)
[8]基于视觉注意机制的感兴趣区提取方法[J]. 安福定,何东健,朱珊娜. 煤炭技术. 2012(01)
[9]基于视觉注意机制的感兴趣区检测[J]. 张菁,沈兰荪,高静静. 光子学报. 2009(06)
[10]人类视觉注意机制在目标检测中的应用[J]. 桑农,李正龙,张天序. 红外与激光工程. 2004(01)
博士论文
[1]图像稀疏表示模型在可视化追踪中的应用研究[D]. 谢成军.合肥工业大学 2014
[2]复杂场景下实时视觉目标跟踪的若干研究[D]. 朱建章.武汉大学 2014
[3]复杂背景下红外目标检测与跟踪算法研究[D]. 王鑫.南京理工大学 2010
[4]粒子滤波算法及其应用研究[D]. 梁军.哈尔滨工业大学 2009
硕士论文
[1]基于深度学习的目标检测研究[D]. 付若楠.北京交通大学 2017
[2]基于卷积神经网络的目标检测算法研究[D]. 胡长雨.哈尔滨理工大学 2017
[3]基于深度学习的快速目标检测技术研究[D]. 王震.天津理工大学 2017
[4]基于深度学习的溯源视频目标检测与识别[D]. 刘健.东南大学 2016
[5]基于深度学习的目标检测与分割算法研究[D]. 王若辰.北京工业大学 2016
[6]基于深度学习的SAR图像舰船检测[D]. 史丹荣.西安电子科技大学 2015
[7]基于深度学习的目标检测算法研究及应用[D]. 万维.电子科技大学 2015
[8]基于卷积神经网络的目标检测模型的研究[D]. 黄咨.上海交通大学 2015
[9]基于粒子滤波的红外目标跟踪方法研究[D]. 姬雪峰.西安电子科技大学 2011
[10]粒子滤波重采样算法研究及其应用[D]. 吴宝成.哈尔滨工业大学 2006
本文编号：2948679
【文章来源】：江苏科技大学江苏省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
红外目标Fig.2.2Imageofinfraredtarget
图 2.3 灰度三维图ig.2.3 Gray scale three-dimensional image of Infrared im制的工作原理如图 2.4 所示：1 2 34 A 56 7 8图 2.4 图像块及其 8 个邻域Fig2.4 Image block and its 8 neighborhood 4 中的 A 图像块内，则求取红外图像中 A 图像素的灰度均值，计算 A 区域与周围 8 个邻
14（e）视觉对比机制处理后的梯度显著图 （f）目标检测结果图 2.5 目标检测流程图Fig.2.5 Flow chart of target detection仿真实验验证本算法的有效性，在配置 2.5GHz 双核处理器和 2GB 内存的联想 G脑上进行了仿真实验，所用软件为 Matlab2011b。实验主要分为两部分，文算法与 Top-hat 算子、SUSAN 算子、K-means 算子、3 帧差法及混合的检测结果对比；第二部分为本文算法在不同背景下对红外弱小目标的
【参考文献】：
期刊论文
[1]基于视觉注意机制的彩色图像显著性区域提取[J]. 孟琭. 计算机应用研究. 2013(10)
[2]改进的万有引力搜索算法在函数优化中的应用[J]. 张维平,任雪飞,李国强,牛培峰. 计算机应用. 2013(05)
[3]基于人类视觉智能和粒子滤波的鲁棒目标跟踪算法[J]. 朱明清,王智灵,陈宗海. 控制与决策. 2012(11)
[4]基于改进万有引力搜索算法的无人机航路规划[J]. 李沛,段海滨. 中国科学:技术科学. 2012(10)
[5]复杂背景下红外弱小目标检测算法研究[J]. 罗蓓蓓,伊兴国,申越,孔鹏,董期林,张卫,李晨光,傅强. 应用光学. 2012(05)
[6]基于新型粒子群优化的粒子滤波雷达目标跟踪算法[J]. 陈志敏,薄煜明,吴盘龙,陈富. 信息与控制. 2012(04)
[7]一种人工物理优化的粒子滤波算法[J]. 刘繁明,钱东,刘超华. 控制与决策. 2012(08)
[8]基于视觉注意机制的感兴趣区提取方法[J]. 安福定,何东健,朱珊娜. 煤炭技术. 2012(01)
[9]基于视觉注意机制的感兴趣区检测[J]. 张菁,沈兰荪,高静静. 光子学报. 2009(06)
[10]人类视觉注意机制在目标检测中的应用[J]. 桑农,李正龙,张天序. 红外与激光工程. 2004(01)
博士论文
[1]图像稀疏表示模型在可视化追踪中的应用研究[D]. 谢成军.合肥工业大学 2014
[2]复杂场景下实时视觉目标跟踪的若干研究[D]. 朱建章.武汉大学 2014
[3]复杂背景下红外目标检测与跟踪算法研究[D]. 王鑫.南京理工大学 2010
[4]粒子滤波算法及其应用研究[D]. 梁军.哈尔滨工业大学 2009
硕士论文
[1]基于深度学习的目标检测研究[D]. 付若楠.北京交通大学 2017
[2]基于卷积神经网络的目标检测算法研究[D]. 胡长雨.哈尔滨理工大学 2017
[3]基于深度学习的快速目标检测技术研究[D]. 王震.天津理工大学 2017
[4]基于深度学习的溯源视频目标检测与识别[D]. 刘健.东南大学 2016
[5]基于深度学习的目标检测与分割算法研究[D]. 王若辰.北京工业大学 2016
[6]基于深度学习的SAR图像舰船检测[D]. 史丹荣.西安电子科技大学 2015
[7]基于深度学习的目标检测算法研究及应用[D]. 万维.电子科技大学 2015
[8]基于卷积神经网络的目标检测模型的研究[D]. 黄咨.上海交通大学 2015
[9]基于粒子滤波的红外目标跟踪方法研究[D]. 姬雪峰.西安电子科技大学 2011
[10]粒子滤波重采样算法研究及其应用[D]. 吴宝成.哈尔滨工业大学 2006
本文编号：2948679
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2948679.html
