基于金字塔分层模型的多光谱目标识别

发布时间：2021-03-03 18:51

　　随着人工智能的高速发展,目标检测在计算机视觉中占据越来越重要的地位。传统的基于分类器的目标识别方法虽然能取得较好的识别效果,但需要大量的训练样本,学习过程缓慢,训练参数容易出现过拟合现象。针对这些问题,非训练的目标识别方法成为近几年的研究热点。本文对彩色及多光谱图像的目标检测展开分析,提出并研究了两种具有鲁棒性的目标检测模型。（1）基于LARK的金字塔分层结构模型。模型中构建了基于空间域和光谱域的3D-LARK特征算子,解决单光谱图像中光谱信息缺失对识别精确度的影响;并建立了金字塔分层结构模型,解决多光谱图像信息丰富造成的计算量大以及检测精度低等问题。同时建立了多尺度多视角的模板集,解决待测图像中视场深度不同引起的目标尺寸差异和非刚性目标姿态多变等问题。实验证明,与基于灰度的非训练算法相比,本模型有效的利用了空间和光谱信息,解决了背景噪声中局部相似结构干扰等问题,降低了误检率。（2）基于局部特征和近邻约束的目标检测模型。在上述模型的基础上,进一步引入近邻结构特征,以提高目标检测的完整度;同时,在金字塔分层模型中,使用近邻结构特征与3D-LARK局部特征进行交替检测,从而兼顾目标的局部细... 

【文章来源】：南京理工大学江苏省 211工程院校

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 目标检测的基本思路
    1.3 目标检测的研究现状
    1.4 主要研究内容及章节安排
2 图像金字塔相关理论分析
    2.1 尺度空间理论
    2.2 金字塔算法
        2.2.1 高斯模糊
        2.2.2 高斯金字塔
        2.2.3 DOG金字塔
        2.2.4 拉普拉斯金字塔
    2.3 图像金字塔在图像处理中的应用
    2.4 本章小结
3 基于空间-光谱的局部自适应回归核的结构特征
    3.1 局部自适应回归核（LARK）
    3.2 基于空间-光谱的3D-LARK
    3.3 其他特征算子与3D-LARK的比较
    3.4 本章小结
4.基于3D-LARK和分层模型的多光谱目标检测
    4.1 基于3D-LARK的权值矩阵
    4.2 相似性判断与统计
    4.3 金字塔分层结构模型
    4.4 实验结果分析
        4.4.1 模板集参数设置
        4.4.2 目标图像参数设置
        4.4.3 实验测试结果及分析
    4.5 本章小结
5 基于局部和近邻结构特征约束的目标检测模型
    5.1 NPBP（Neighbor Patch Binary Pattern）
    5.2 基于NPBP和3D-LARK的目标检测原理
    5.3 基于局部和近邻结构特征约束的目标检测模型
    5.4 参数分析与实验结果
        5.4.1 模板集参数分析
        5.4.2 待测图像参数设置
        5.4.3 实验检测结果
    5.5 本章小结
6 总结与展望
    6.1 论文总结
    6.2 后期工作展望
参考文献
附录


【参考文献】：
期刊论文
[1]一种基于LBP特征与流形知识的人脸识别方法[J]. 李菱歌,蔡超.  计算机与数字工程. 2014(07)
[2]金字塔评分改进主方向模板匹配的实时目标检索[J]. 洪朝群,朱建科,李娜,卜佳俊,陈纯.  中国图象图形学报. 2012(05)



本文编号：3061757