基于深度学习的微弱目标跟踪算法研究

发布时间：2021-09-05 03:36

　　微弱目标跟踪在雷达检测、机器视觉、医学等领域发挥着重要作用。但在实际应用中,由于背景杂波干扰、信噪比低、遮挡变形等因素影响,微弱目标易被周围环境中强烈的噪声干扰,此时,应对单一场景或场景过于简单的算法均难以适用。当下,基于多应用场景的目标跟踪问题成为研究重点,其场景主要分为三类:存在云干扰的天空模型、存在海面干扰的海天模型、存在地物干扰的陆空模型。为解决复杂场景对微弱目标跟踪造成干扰的问题,提高跟踪精度和准确性,本文对基于深度学习的微弱目标跟踪算法展开研究,具体研究内容包括:1)在图像预处理过程中,提出一种融合背景估计的最大方差阈值分割算法,通过实验结果证明,改进的算法能更好的获取候选区域的特征信息;改进一种引导图像滤波算法,通过实验对比表明,改进后的算法可以明显突出图像中微弱目标的信息,提高检测准确度。2)设计了云干扰抑制子系统。针对天空模型中微弱目标特征信息少,训练样本提取效率低等问题,改进引导图像滤波器对目标图像进行滤波处理,使不准确的背景模板模糊并有效增强目标图像,通过改进后的去噪自编码器克服训练样本的不足。通过与多种主流算法的对比实验表明,系统能有效抑制云内灰度起伏、强灰度噪... 

【文章来源】：山东理工大学山东省

【文章页数】：87 页

【学位级别】：硕士

【部分图文】：

低信噪比的微弱目标环境及其成像三维曲面

山东理工大学硕士学位论文第一章绪论2义。图1.1低信噪比的微弱目标环境及其成像三维曲面Fig.1.1DimtargetenvironmentwithlowSNRanditsimaging3Dsurface图1.2强噪声干扰下的微弱目标环境及其成像三维曲面Fig.1.2Dimtargetenvironmentanditsimagingthree-dimensionalsurfaceunderstrongnoiseinterference近年来，越来越多的微弱目标跟踪算法开始挖掘深度学习的学习和表征能力。深度神经网络（DeepNeuralNetworks，DNN）[7]可以学习丰富的图像特征表示，并从输入中提取复杂和抽象的特征；卷积神经网络[8,9]是目前最先进的空间模式提取技术，广泛应用于目标图像分类和检测等任务；而递归神经网络（RecurrentNeuralNetworks，RNN）[10]能够对序列数据进行有效的处理，比如音频信号、时间序列和文本等信息。伴随着深度学习快速发展，基于深度学习的相关算法在许多场景中都能达到很好的效果，将深度学习应用微弱目标的检测和跟踪过程中，能够有效的帮助解决跟踪过程中存在的上述主要问题，这也使复杂背景环境下微弱目标跟踪技术成为最近几年的研究热点之一。本文在现有的理论研究基础上，以深度学习算法为依托，以多尺度特征融合深度图像为关键，致力于微弱目标检测与跟踪的研究，目的是在视场内强背景杂

山东理工大学硕士学位论文第二章微弱目标图像预处理22Laplacian算子LOG算子Canny算子最大方差阈值本文BE-MVT（a）图像序列1（b）图像序列2（c）图像序列3图2.4背景估计后的候选区域提取Fig.2.4Candidateregionextractionafterbackgroundestimation从以上实验结果可以得出，在海天模型中所有算法都可以保留目标像素，其中Roberts算子、Sobel算子、Prewitt算子能忽略较多的干扰像素，但无法避免海天交界处细长直线的干扰，Laplacian算子在图像序列1中剔除了细长目标，但在其他两个序列中依旧保留了海平线目标，证明Laplacian算子在海天交界不明显时能排除海平线干扰，LOG算子和Canny算子保留的候选区域数量太多，不利于候选区域的提取，而最大方差阈值保留的候选区域数量太少，造成了真实目标的漏检，本文提出的BE-MVT算法既保留了微弱目标的像素尖峰，同时也

【参考文献】：
期刊论文
[1]基于多尺度特征融合的单目图像深度估计[J]. 王泉德,张松涛.  华中科技大学学报(自然科学版). 2020(05)
[2]复杂背景下的红外图像弱小目标检测[J]. 陈绵书,孙闻晞,李梦莹,赵岩.  吉林大学学报(工学版). 2020(06)
[3]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔.  计算机工程与应用. 2019(12)
[4]严重方位模糊下的合成孔径雷达微弱运动目标聚焦与参数估计方法[J]. 万俊,周宇,张林让,陈展野.  西安交通大学学报. 2019(06)
[5]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)
[6]海天背景下的红外小目标检测与跟踪[J]. 廖延娜,胡雪敏,吴成茂.  西安邮电大学学报. 2018(06)
[7]基于多特征融合与双向RNN的细粒度意见分析[J]. 郝志峰,黄浩,蔡瑞初,温雯.  计算机工程. 2018(07)
[8]一种基于遗传算法的改进粒子滤波器[J]. 蔡登禹,刘以安.  计算机仿真. 2018(07)
[9]基于自学习深度卷积神经网络的姿态变化人脸识别[J]. 邹国锋,傅桂霞,高明亮,尹丽菊,王科俊.  小型微型计算机系统. 2018(06)
[10]基于条件深度卷积生成对抗网络的图像识别方法[J]. 唐贤伦,杜一铭,刘雨微,李佳歆,马艺玮.  自动化学报. 2018(05)

博士论文
[1]空中平台大视场红外小目标实时探测技术研究[D]. 刘源.中国科学院大学(中国科学院上海技术物理研究所) 2017
[2]基于人类视觉特性的复杂背景红外小目标检测研究[D]. 韩金辉.华中科技大学 2016
[3]边缘检测及其评价方法的研究[D]. 磨少清.天津大学 2011

硕士论文
[1]基于机器视觉的彩钢板表面缺陷检测与分类技术研究[D]. 吴秀东.山东理工大学 2019
[2]瓷砖表面质量视觉检测技术研究[D]. 高倩倩.山东理工大学 2018
[3]基于深度学习的人脸识别算法研究[D]. 马良慧.山东理工大学 2017
[4]基于高波卷积神经网络的人脸识别方法研究[D]. 陈耀丹.东北师范大学 2016



本文编号：3384590