红外图像中弱小目标检测方法的研究

发布时间：2023-02-22 19:44

　　目标检测是计算机视觉研究领域的一个主要方向,在图像检索和视频监控等方面具有重要的研究意义和广阔的应用前景。目标检测简而言之,就是利用图像本身包含的信息进行分析,最终获取人们感兴趣目标的位置及类别信息,实现对于图片场景的智能分析。随着信息技术的快速发展,目标检测技术发展也日新月异。而目标检测领域里,红外图像中的弱小目标检测无论在军事还是民用领域,均具有很高的价值。本文主要研究图像中红外弱小目标的检测方法,主要以红外相机所拍摄的无人机作为待检测的目标,对传统的红外图像中弱小目标检测算法进行测试分析,并针对基于深度学习的目标检测方法进行改进,使其拥有对于红外弱小目标检测能力。本文主要研究及工作内容如下:1.对传统的红外弱小目标检测算法进行了介绍,并对于每种理论选取了具有代表性的方法进行了仿真实验。介绍了具有代表性的深度学习目标检测方法,并对其针对红外弱小目标的检测能力进行验证,证明单纯的使用现有的深度方法进行红外弱小目标训练与检测存在很多不足,需要加以改进。2.介绍了基于FreeAnchor理论的目标检测的主要思想,解释了这种检测方式具有高召回率的原因。对基于FreeAnchor检测方法的骨...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 红外图像中弱小目标检测的相关技术
        1.2.1 包含弱小目标的红外图像的成分分析
        1.2.2 相关技术的国内外发展现状
    1.3 论文主要研究内容及章节安排
        1.3.1 论文主要研究内容
        1.3.2 论文章节安排
第二章 红外图像中弱小目标的检测方法
    2.1 基于空间滤波的弱小目标检测
        2.1.1 中值滤波和均值滤波
        2.1.2 最大中值滤波和最大均值滤波
        2.1.3 基于数学形态学的滤波
    2.2 基于变换域滤波的弱小目标检测
        2.2.1 基于高通滤波的弱小目标检测
        2.2.2 基于小波变换的弱小目标检测
    2.3 基于视觉对比机制的弱小目标检测方法
        2.3.1 基于局部对比度方法的弱小目标检测
        2.3.2 基于相对局部对比度的弱小目标检测
    2.4 基于低秩稀疏分解的红外弱小目标检测
    2.5 基于深度学习的弱小目标检测
        2.5.1 Faster R-CNN目标检测算法
        2.5.2 Retinanet目标检测算法
        2.5.3 红外弱小目标数据集介绍
        2.5.4 基于Faster R-CNN和 Retinanet的检测结果及其分析
    2.6 本章小结
第三章 基于FREEANCHOR的高检测率红外图像小目标检测
    3.1 FreeAnchor的定义
    3.2 FreeAnchor检测器的基本思想
        3.2.1 基于CNN的目标检测方法的损失函数
        3.2.2 自定义的检测似然函数
        3.2.3 锚框的匹配
    3.3 基于FreeAnchor目标检测的主干网络
        3.3.1 网络结构的修改
        3.3.2 群组归一化
    3.4 结果及其分析
        3.4.1 实验环境
        3.4.2 实验结果及其分析
    3.5 本章小结
第四章 基于YOLOV3 的红外图像小目标检测
    4.1 YOLOv3 的基本原理
    4.2 YOLOv3 网络结构的修改
        4.2.1 输出结构的修改
        4.2.2 DenseNet
        4.2.3 金字塔池化
    4.3 边界框损失
        4.3.1 GIoU Loss
        4.3.2 DIoU Loss和 CIoU Loss
    4.4 预测边界框的不确定性
    4.5 激活函数的选择
        4.5.1 ELU和 SELU激活函数
        4.5.2 Swish激活函数
        4.5.3 Mish 激活函数
    4.6 模型总结
    4.7 实验结果及分析
    4.8 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献
攻读硕士学位期间的研究成果



本文编号：3748182