基于深度学习的微光图像目标识别技术研究

发布时间：2021-02-02 03:44

　　微光图像是一种在低照度(小于10^-3勒克斯)环境下探测得到的图像,目前在军用夜视、安防、遥感等诸多领域发挥着重要作用。由于探测环境照度低、光线暗,微光图像也不可避免地存在低亮度与低对比度问题,噪声严重时会遮挡图像中目标细节信息,无论是主观评价还是算法处理都无法进一步的识别目标。本文以微光图像为研究对象,首先搭建微光成像系统实现了图像获取,其次为了改善微光图像的视觉效果,研究相关去噪及增强算法,最后基于深度学习理论实现微光图像内目标的识别检测。本文主要研究内容如下所示:1. 为了获取微光图像,研究了光子计数成像理论,建立模型计算出目标光子反射后被探测到的概率及数量。硬件上设计搭建了以MPPC（Multi-Pixel Photon Counter）为核心的微光成像系统,主要由MPPC探测器、步进电机、二维电控导轨、计算机、光纤等组成。软件上编写了光子数采集程序以及可视化界面,实时显示光子数采集情况。通过控制步进电机使二维电控导轨移动,逐行逐列的扫描被测目标,对目标光场在时间、空间上高精度采样和反演计算得到微光图像。2. 微光图像存在亮度对比度低、噪声等问题,因此提出一... 

【文章来源】：山东理工大学山东省

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题研究背景与意义
    1.2 深度学习目标识别技术研究现状
    1.3 本文主要研究内容
第二章 基于卷积神经网络的深度学习理论
    2.1 深度学习概述
    2.2 深度学习优化策略
        2.2.1 随机梯度下降
        2.2.2 正则化
        2.2.3 学习率衰减
    2.3 卷积神经网络结构
        2.3.1 卷积层
        2.3.2 激活层
        2.3.3 池化层
        2.3.4 全连接层
    2.4 卷积神经网络训练过程
    2.5 基于卷积神经网络的目标识别检测算法
        2.5.1 区域建议类算法
        2.5.2 回归类算法
    2.6 本章小结
第三章 改进块匹配滤波算法的微光图像去噪研究
    3.1 微光成像系统设计
        3.1.1 基于光子计数的微光成像原理
        3.1.2 微光成像系统硬件设计
        3.1.3 微光成像系统软件设计
    3.2 改进块匹配滤波算法的微光图像去噪与增强
        3.2.1 微光图像噪声分析
        3.2.2 算法整体框架
        3.2.3 非下采样contourlet变换
        3.2.4 高低频子带系数处理
        3.2.5 块匹配3D滤波算法及改进
        3.2.6 实验仿真与分析
    3.3 本章小结
第四章 基于Faster R-CNN的车辆识别检测方法
    4.1 图像数据集建立
        4.1.1 数据集划分
        4.1.2 数据集增强
        4.1.3 基于Label Img的目标标注
    4.2 深度学习环境搭建
        4.2.1 环境配置清单
        4.2.2 基于Tensorflow的环境搭建过程
    4.3 Faster R-CNN检测原理
        4.3.1 锚框机制
        4.3.2 RPN区域建议网络
    4.4 改进Faster R-CNN框架
        4.4.1 多尺度特征融合
        4.4.2 RPN聚类网络
        4.4.3 损失函数改进
        4.4.4 困难样本挖掘
    4.5 算法性能评价指标
        4.5.1 mAP
        4.5.2 IoU
    4.6 实验结果分析
        4.6.1 相同场景下识别检测效果对比
        4.6.2 单张图像的检测时间对比
        4.6.3 不同策略对训练网络的影响
        4.6.4 聚类参数选取
    4.7 本章小结
第五章 总结和展望
    5.1 总结
    5.2 展望
参考文献
在读期间公开发表的论文
致谢



本文编号：3013988