可见光/红外图像特征级融合目标识别研究
发布时间：2021-02-07 00:28
在传统基于单源图像的目标识别系统中,因传感器成像机理的限制,无法在复杂环境下获取目标全面准确的信息描述,目标识别率较低。随着信息融合技术的不断发展,利用多源图像信息融合可以有效扩展系统获取目标描述的时空覆盖范围,从而提高系统的目标识别率。传统的融合方法主要基于像素级层面,其融合对象大多为大场景下高分辨率图像,且融合效果依赖图像配准精度,无法适用于局部场景下低分辩目标图像。特征级融合是基于图像中提取特征的对应关系而进行的信息融合,具有在相对较少计算数据量的同时,较好地保证融合精度的优势特点,同时特征级融合算法可以互补各源图像以及各特征提取算法之间的优势,去除冗余信息。本文针对无人机平台下可见光/红外双源图像融合识别需要,开展可见光/红外图像特征级融合目标识别研究,论文主要工作与创新点包括:（1）为了满足本文研究的实验数据需求,搭建了无人机平台下可见光/红外双源成像系统,采集了近视场下多种目标的多姿态、多视角双源图像数据集。（2）为了避免单一特征描述的局限性和敏感性,研究了多类图像特征提取算法,构建了双源图像的多特征集合作为特征级融合对象,并通过实验分析了特征在单源图像以及双源图像中的相关...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：94 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 多源图像信息融合概述
1.2.1 像素级融合
1.2.2 特征级融合
1.2.3 决策级融合
1.2.4 不同层级融合应用方向及性能分析
1.3 国内外研究现状
1.3.1 多源图像融合显示的国内外研究现状
1.3.2 多源图像融合识别的国内外研究现状
1.3.3 存在的问题与不足
1.4 论文的主要研究工作及章节安排
第二章 可见光与红外图像特点及多特征提取
2.1 可见光与红外成像原理及特点
2.1.1 可见光成像原理
2.1.2 红外热成像原理
2.1.3 可见光与红外图像特点分析
2.1.4 无人机平台下的可见光与红外成像系统
2.1.5 可见光/红外双源数据集介绍
2.2 可见光与红外图像多特征提取
2.2.1 基于Gabor滤波器的特征提取
2.2.2 基于局部二值模式的特征提取
2.2.3 基于灰度共生矩阵的特征提取
2.2.4 基于颜色直方图的特征提取
2.2.5 基于边缘直方图的特征提取
2.2.6 基于Hu不变矩的特征提取
2.2.7 双源图像的多特征集合构建
2.3 实验结果与分析
2.3.1 实验数据
2.3.2 多特征集合构建及参数设置
2.3.3 实验结果
2.3.4 特征的相关性分析
2.3.5 特征的敏感性分析
2.4 本章小结
第三章 结合mRMR与 PCA的可见光/红外图像特征级融合
3.1 特征级融合算法概述
3.2 常见的特征级融合算法
3.2.1 串联融合算法
3.2.2 并联融合算法
3.2.3 基于Fisher Score的特征融合算法
3.2.4 基于遗传算法的特征融合算法
3.2.5 基于典型相关分析的特征融合算法
3.3 基于最大相关最小冗余的单源图像多特征融合
3.3.1 互信息理论
3.3.2 特征评价与搜索策略
3.3.3 单源图像多特征选择融合实现
3.3.4 可见光与红外单源图像mRMR融合特征提取流程
3.4 基于主成分分析的双源图像特征融合
3.4.1 主成分分析原理
3.4.2 主成分分析数学模型
3.4.3 主成分分解推导
3.4.4 主成分的选择
3.4.5 双源图像特征变换融合实现
PCA融合特征的可见光/红外图像目标识别"> 3.5 基于mRMRPCA融合特征的可见光/红外图像目标识别
3.5.1 算法流程图
3.5.2 可见光/红外图像多特征集合构建与参数设定
3.5.3 实验数据集
3.5.4 分类器选择
3.5.5 实验平台
3.5.6 实验结果与分析
3.6 本章小结
第四章 基于卷积神经网络的双源图像特征提取及融合识别算法
4.1 传统多特征提取算法的局限性
4.1.1 时间局限性
4.1.2 特征描述局限性
4.2 卷积神经网络概述
4.2.1 局部感知与权值共享
4.2.2 多卷积核与多层卷积
4.2.3 非线性特征映射
4.2.4 池化降采样
4.2.5 网络模型的训练
4.2.6 网络的推导与实现
4.2.7 卷积神经网络的特征提取特点
4.3 基于卷积神经网络的图像CNN特征提取
4.3.1 迁移学习理论
4.3.2 基于迁移学习的卷积神经网络模型训练
4.3.3 卷积神经网络模型结构
4.3.4 可见光与红外图像CNN特征提取方法
4.4 基于双源图像CNN特征的融合识别
4.4.1 算法流程图
4.4.2 实验结果与分析
4.5 本章小结
第五章 全文总结与展望
5.1 论文工作总结
5.2 课题研究展望
参考文献
致谢
在学期间的研究成果及发表的学术论文
【参考文献】：
期刊论文
[1]多元统计分析的模态参数辨识方法比较及应用[J]. 官威,董龙雷. 噪声与振动控制. 2018(S2)
[2]基于特征级融合的多波段舰船目标识别方法[J]. 刘峰,沈同圣,郭少军,张健. 光谱学与光谱分析. 2017(06)
[3]深度学习在SAR目标识别与地物分类中的应用[J]. 徐丰,王海鹏,金亚秋. 雷达学报. 2017(02)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[5]海面舰船红外与可见光图像配准[J]. 郭少军,刘峰,奚晓粱. 红外技术. 2016(05)
[6]基于压缩感知的红外与可见光图像融合[J]. 周渝人,耿爱辉,张强,陈娟,董宇星. 光学精密工程. 2015(03)
[7]基于信息增益的文本特征选择方法[J]. 任永功,杨荣杰,尹明飞,马名威. 计算机科学. 2012(11)
[8]基于剪切波变换的可见光与红外图像融合算法[J]. 郑红,郑晨,闫秀生,陈海霞. 仪器仪表学报. 2012(07)
[9]面向目标识别的多特征图像融合技术综述[J]. 王大伟,陈定荣,何亦征. 航空电子技术. 2011(02)
[10]特征选择算法综述[J]. 计智伟,胡珉,尹建新. 电子设计工程. 2011(09)
博士论文
[1]基于特征级图像融合的目标识别技术研究[D]. 王大伟.中国科学院研究生院（长春光学精密机械与物理研究所） 2010
硕士论文
[1]基于特征级融合的目标识别方法研究[D]. 王东明.沈阳理工大学 2013
[2]基于可见光与红外图像融合的目标识别研究[D]. 孙思佳.南京航空航天大学 2012
[3]多传感器数据融合在目标识别中的应用研究[D]. 赵丹丹.太原理工大学 2007
本文编号：3021336
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：94 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 多源图像信息融合概述
1.2.1 像素级融合
1.2.2 特征级融合
1.2.3 决策级融合
1.2.4 不同层级融合应用方向及性能分析
1.3 国内外研究现状
1.3.1 多源图像融合显示的国内外研究现状
1.3.2 多源图像融合识别的国内外研究现状
1.3.3 存在的问题与不足
1.4 论文的主要研究工作及章节安排
第二章 可见光与红外图像特点及多特征提取
2.1 可见光与红外成像原理及特点
2.1.1 可见光成像原理
2.1.2 红外热成像原理
2.1.3 可见光与红外图像特点分析
2.1.4 无人机平台下的可见光与红外成像系统
2.1.5 可见光/红外双源数据集介绍
2.2 可见光与红外图像多特征提取
2.2.1 基于Gabor滤波器的特征提取
2.2.2 基于局部二值模式的特征提取
2.2.3 基于灰度共生矩阵的特征提取
2.2.4 基于颜色直方图的特征提取
2.2.5 基于边缘直方图的特征提取
2.2.6 基于Hu不变矩的特征提取
2.2.7 双源图像的多特征集合构建
2.3 实验结果与分析
2.3.1 实验数据
2.3.2 多特征集合构建及参数设置
2.3.3 实验结果
2.3.4 特征的相关性分析
2.3.5 特征的敏感性分析
2.4 本章小结
第三章 结合mRMR与 PCA的可见光/红外图像特征级融合
3.1 特征级融合算法概述
3.2 常见的特征级融合算法
3.2.1 串联融合算法
3.2.2 并联融合算法
3.2.3 基于Fisher Score的特征融合算法
3.2.4 基于遗传算法的特征融合算法
3.2.5 基于典型相关分析的特征融合算法
3.3 基于最大相关最小冗余的单源图像多特征融合
3.3.1 互信息理论
3.3.2 特征评价与搜索策略
3.3.3 单源图像多特征选择融合实现
3.3.4 可见光与红外单源图像mRMR融合特征提取流程
3.4 基于主成分分析的双源图像特征融合
3.4.1 主成分分析原理
3.4.2 主成分分析数学模型
3.4.3 主成分分解推导
3.4.4 主成分的选择
3.4.5 双源图像特征变换融合实现
PCA融合特征的可见光/红外图像目标识别"> 3.5 基于mRMRPCA融合特征的可见光/红外图像目标识别
3.5.1 算法流程图
3.5.2 可见光/红外图像多特征集合构建与参数设定
3.5.3 实验数据集
3.5.4 分类器选择
3.5.5 实验平台
3.5.6 实验结果与分析
3.6 本章小结
第四章 基于卷积神经网络的双源图像特征提取及融合识别算法
4.1 传统多特征提取算法的局限性
4.1.1 时间局限性
4.1.2 特征描述局限性
4.2 卷积神经网络概述
4.2.1 局部感知与权值共享
4.2.2 多卷积核与多层卷积
4.2.3 非线性特征映射
4.2.4 池化降采样
4.2.5 网络模型的训练
4.2.6 网络的推导与实现
4.2.7 卷积神经网络的特征提取特点
4.3 基于卷积神经网络的图像CNN特征提取
4.3.1 迁移学习理论
4.3.2 基于迁移学习的卷积神经网络模型训练
4.3.3 卷积神经网络模型结构
4.3.4 可见光与红外图像CNN特征提取方法
4.4 基于双源图像CNN特征的融合识别
4.4.1 算法流程图
4.4.2 实验结果与分析
4.5 本章小结
第五章 全文总结与展望
5.1 论文工作总结
5.2 课题研究展望
参考文献
致谢
在学期间的研究成果及发表的学术论文
【参考文献】：
期刊论文
[1]多元统计分析的模态参数辨识方法比较及应用[J]. 官威,董龙雷. 噪声与振动控制. 2018(S2)
[2]基于特征级融合的多波段舰船目标识别方法[J]. 刘峰,沈同圣,郭少军,张健. 光谱学与光谱分析. 2017(06)
[3]深度学习在SAR目标识别与地物分类中的应用[J]. 徐丰,王海鹏,金亚秋. 雷达学报. 2017(02)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[5]海面舰船红外与可见光图像配准[J]. 郭少军,刘峰,奚晓粱. 红外技术. 2016(05)
[6]基于压缩感知的红外与可见光图像融合[J]. 周渝人,耿爱辉,张强,陈娟,董宇星. 光学精密工程. 2015(03)
[7]基于信息增益的文本特征选择方法[J]. 任永功,杨荣杰,尹明飞,马名威. 计算机科学. 2012(11)
[8]基于剪切波变换的可见光与红外图像融合算法[J]. 郑红,郑晨,闫秀生,陈海霞. 仪器仪表学报. 2012(07)
[9]面向目标识别的多特征图像融合技术综述[J]. 王大伟,陈定荣,何亦征. 航空电子技术. 2011(02)
[10]特征选择算法综述[J]. 计智伟,胡珉,尹建新. 电子设计工程. 2011(09)
博士论文
[1]基于特征级图像融合的目标识别技术研究[D]. 王大伟.中国科学院研究生院（长春光学精密机械与物理研究所） 2010
硕士论文
[1]基于特征级融合的目标识别方法研究[D]. 王东明.沈阳理工大学 2013
[2]基于可见光与红外图像融合的目标识别研究[D]. 孙思佳.南京航空航天大学 2012
[3]多传感器数据融合在目标识别中的应用研究[D]. 赵丹丹.太原理工大学 2007
本文编号：3021336
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3021336.html
