一种基于SVM候选区训练的红外舰船目标检测方法

发布时间：2021-08-27 05:34

　　无人机进行红外舰船目标侦察时,检测算法对检测正确率的影响很大。为增强无人机红外光电载荷对舰船目标的检测能力,提出采用支持向量机（Support Vector Machine, SVM）进行候选区训练的检测算法,以提高目标检测的正确率。通过预先对候选区的特征进行训练,得到候选区的分类数据。在检测阶段,加载训练时得到的候选区分类数据,分类筛选出更可能包含目标的候选区,从而提高目标检测的正确率。验证实验中,选用368张无人机拍摄的长波红外图像作为训练数据集图像,另外选择139张图像作为测试图像。分别采用带候选区训练的方法和无候选区训练的方法做目标检测实验。检测结果表明,采用带候选区训练的检测方法比采用无候选区训练方法时平均检测正确率高14.6%。 

【文章来源】：红外. 2019,40(03)

【文章页数】：8 页

【文章目录】：
0 引言
1 研究对象
2 检测原理与检测方法
    2.1 检测原理
        2.1.1 选择性搜索的参数与取值
        2.1.2 目标检测中的交并比
    2.2 候选区的训练方法
    2.3 候选区训练数据的检测应用
3 实验结果与分析
    3.1 实验结果
        3.1.1 实验图像的采集与选取
        3.1.2 实验方法的确定
        3.1.3 候选区提取训练实验
        3.1.4 目标检测实验
    3.2 实验分析
4 结论


【参考文献】：
期刊论文
[1]基于特征级融合的多波段舰船目标识别方法[J]. 刘峰,沈同圣,郭少军,张健.  光谱学与光谱分析. 2017(06)
[2]多特征融合的红外舰船目标检测方法[J]. 张仲瑜,焦淑红.  红外与激光工程. 2015(S1)
[3]基于ObjectNess BING的海面多舰船目标检测[J]. 郭少军,沈同圣,徐健,马新星.  系统工程与电子技术. 2016(01)
[4]复杂场景下的自动红外舰船目标检测[J]. 邢莎,吉林,雍杨,胡俊杰,邢根祥.  红外技术. 2014(04)
[5]用Kalman滤波改进的背景建模红外运动目标检测[J]. 田鹏辉,隋立春,肖锋.  四川大学学报(自然科学版). 2014(02)
[6]一种复杂海面背景下的红外舰船目标检测方法[J]. 卓志敏,缪德超,杨莘元.  传感技术学报. 2007(08)
[7]一种基于ROI的红外舰船目标检测方法[J]. 蒋李兵,王壮,胡卫东.  红外技术. 2006(09)

硕士论文
[1]基于选择性视觉注意机制的遥感图像舰船目标检测与识别[D]. 丁正虎.复旦大学 2011



本文编号：3365753