当前位置:主页 > 科技论文 > 软件论文 >

基于深度学习的海上红外小目标检测方法研究

发布时间:2021-01-19 04:41
  海上目标检测在保证船舶航行安全以及实施海上搜救等方面具有重要意义,长期以来得到了国内外学者的广泛关注。其中,由于海上小目标距离成像系统很远,具有面积小、信噪比低等特点,加之海况变化复杂,海上红外小目标图像的检测和跟踪逐渐成为这一领域的关键技术之一。本文在归纳、参考前人研究工作的基础上,以海上红外小目标检测问题为主要研究内容,以提高海上红外小目标的检测准确率和速度为目标。在学习借鉴已有研究成果基础上,从红外图像预处理和红外图像小目标检测两个方面提出其相应的改进算法,主要研究工作和研究成果包括:(1)对红外小目标检测的国内外研究现状、代表性研究方法进行了整理、分析和总结,提出了当前在海上红外小目标检测方面存在的主要问题和挑战。(2)在红外图像预处理方面,在分析红外图像与可见光图像在图像的成像原理、图像的直方图特征和图像噪声特点基础之上,研究提出了一种直方图均衡化与Retinex相结合的红外图像增强算法。该算法利用小波变换将红外图像背景与目标分层,红外图像的细节部分保留在高频子带图像中,背景保留在低频子带图像中,然后分别使用Retinex算法对高频部分进行增强,获得能够保留红外图像原始细节信... 

【文章来源】:大连海事大学辽宁省 211工程院校

【文章页数】:63 页

【学位级别】:硕士

【部分图文】:

基于深度学习的海上红外小目标检测方法研究


图1.1?DBT算法流程图??Fig.?1.1?Algorithm?flowchart?of?DBT??

流程图,算法,流程图,目标


?大连海事大学硕士学位论文???适的方法计算出各个轨迹目标帧与帧之间的能量和。虽然TDB思路新颖,但是其也存??在结构复杂、存储量大、计算量大等缺点。图1.2为TBD算法的流程图。???????1目标检测??输入红外??序列图像,?^跟踪可能目标运?^求取后验概-口雜¥?,??动轨迹?^率做出判决??图1.2?TBD算法流程图??Fig.?1.2?Algorithm?flowchart?of?TBD??目前比较流行的TBD算法主要包括:??(1)粒子滤波器方法。该方法首先在状态空间上搜索到一组随机样本,并用这些随机??样本来近似表示概率密度函数,进行积分运算,从而得到系统状态下的最小方差估计。??该方法在对对比度低、面积孝运动速度慢的目标状态值的估计方面有着明显的优势,??优点主要在于其能降低低小慢目标的信噪比,从而提高对目标的检测跟踪能力。??(2)三维匹配滤波方法。该方法通过设计多个三维匹配滤波器来描述对比度低、面积??孝运动速度慢的目标潜在的运动轨迹,然后统计分析相应的输出结果,对信噪比最大??的一个进行标定,从而对运动目标的轨迹和状态进行分析。该方法的优点在于其能同时??跟踪检测多条轨迹。有实验表明,在对低小慢目标的检测跟踪能力方面,该方法表现优??异,但是其缺点也相当明显,即计算量较大,实现困难,应用范围小[7]。??综上,DBT算法与TBD算法在对小目标进行检测时都利用了图像的多帧信息,然??而在利用序列图像中信息的顺序是有所不同。由于DBT算法的计算量小并且易于实时??实现,所以在实际中应用相对广泛。但是该算法在处理信噪比低的图像时效果不是很理??想。TBD算法相对于DBT

框架图,目标检测,框架


?大连海事大学硕士学位论文???8-^-?bbox??£?t"?:J〕ee?p?_??Fc:.\?softmax?regressor??,湓基?U?::C〇nvMet,?.?\\:、厶?err—.rj??二?^?to?Xpc?ifc??^proiertionV??RlH^??11?conv\L.?Rol?feature??L..iMH.JlS?feature?map?vector?如一a.??图1.4?Fast?R-CNN目标检测系统框架??Fig.?1.4?Target?detection?framework?of?Fast?R-CNN??在Fast?R-CNN基础上,Girshick与何恺明等提出了?Faster?R-CNN[13],由区域生成??网络(Region?Proposal?Network,RPN)与?Fast?R-CNN?两阶段组成。Faster?R-CNN?采用?RPN??结构,首先在一个网络框架内完成候选区域,然后进行特征提取,最后完成分类和定位??修正等操作,真正实现了端到端的网络计算。RPN以滑动窗口的方式对物体分类以及对??位置进行更精准的回归,共享特征提取网络进一步提高了目标检测的速度,检测速度从??Fast-RCNN的2秒缩短为0.2秒。??2015年G/如分S提出了?MR-CNN?(Multi-region?CNN)?[14]算法,该算法首先通过??样本周围的图像分割特征使得原始图像具有更高的辨识度,再结合样本本身的特征以及??多区域深度卷积神经网络将检测问题分解为分类和定位问题。尺ong?r在2016年提出了??HyperNrfm算法,该算法通过精细化特征的方式克服了深

【参考文献】:
期刊论文
[1]用于空中红外目标检测的增强单发多框检测器方法[J]. 谢江荣,李范鸣,卫红,李冰,邵保泰.  光学学报. 2019(06)
[2]基于深度学习的图像语义分割方法综述[J]. 田萱,王亮,丁琪.  软件学报. 2019(02)
[3]基于改进的Faster RCNN的手势识别[J]. 张金,冯涛.  信息通信. 2019(01)
[4]红外单帧图像弱小目标检测技术综述[J]. 王好贤,董衡,周志权.  激光与光电子学进展. 2019(08)
[5]Low-light image enhancement based on Retinex theory and dual-tree complex wavelet transform[J]. 杨茂祥,唐贵进,刘小花,王力谦,崔子冠,罗苏淮.  Optoelectronics Letters. 2018(06)
[6]基于直方图均衡化图像增强的两种改进方法[J]. 董丽丽,丁畅,许文海.  电子学报. 2018(10)
[7]Using deep learning to detect small targets in infrared oversampling images[J]. LIN Liangkui,WANG Shaoyou,TANG Zhongxing.  Journal of Systems Engineering and Electronics. 2018(05)
[8]“弄假成真”:基于对抗学习的数据增广方法[J]. 刘勇,曾仙芳.  科技导报. 2018(17)
[9]“直方图”均衡化图像增强技术研究综述[J]. 丁畅,董丽丽,许文海.  计算机工程与应用. 2017(23)
[10]基于时频分析的海杂波背景下舰船目标检测[J]. 李庆忠,周祥振,黎明,牛炯.  计算机应用研究. 2018(01)

博士论文
[1]基于深度卷积神经网络的图像分类方法研究及应用[D]. 高震宇.中国科学技术大学 2018
[2]海面目标红外检测方法研究[D]. 王斌.大连海事大学 2018
[3]基于视觉模型的红外图像增强技术研究[D]. 李毅.中国科学院研究生院(长春光学精密机械与物理研究所) 2016

硕士论文
[1]基于深度学习的红外图像飞机目标检测方法[D]. 朱大炜.西安电子科技大学 2018
[2]海面红外序列图像的预处理与目标检测方法研究[D]. 邹咪.深圳大学 2017
[3]红外图像细节增强方法研究[D]. 郭中原.重庆邮电大学 2017
[4]强杂波干扰红外图像海面弱目标检测技术研究与实现[D]. 丁中干.华中科技大学 2016



本文编号:2986356

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2986356.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户6c8ac***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com