基于FPGA的高分数据舰船目标检测方法研究与实现
发布时间：2020-12-27 09:49
舰船目标检测在遥感图像处理领域一直是研究的重点对象,无论是在民用领域还是军事领域都具有重要的应用价值。随着我国对地观测技术的不断发展,借助高分系列卫星可以获得海量的高分辨率光学遥感图像。高分辨率的光学遥感图像细节丰富,数据量庞大,目前使用传统的数据整理、人工检测和判读的方法已经无法满足数据处理的需求。近年来,伴随着深度学习在各领域的快速发展和应用,基于深度学习的卷积神经网络在目标检测领域也得到了广泛的研究。在大规模数据训练的前提下,卷积神经网络相较于传统图像处理技术,在目标检测领域具有更强的特征提取和数据拟合能力。但是随着卷积神经网络架构的快速更新迭代,网络模型的复杂度不断提高,计算量也随之增加,使用通用处理器计算时已无法提供足够的算力。如果利用GPU设备进行运算,在特定的应用领域同时也需要考虑设备功耗高的问题。基于以上技术背景,本文提供了一种数据集预处理算法及标注流程,对现有的目标检测网络结构进行了改进,同时基于FPGA设计了加速子系统,最终设计并完成了一套舰船目标检测系统。论文的主要工作如下:(1)参考DenseNet的设计,对现有的目标检测网络YOLOv3的结构进行改进。有效减少...
【文章来源】：济南大学山东省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
图像预处理算法流程图
济南大学硕士学位论文9的缩放算法，通常使用的是插值法。由于双线性插值法与双三次插值法的计算量较大，在海陆分割步骤中对精度要求不高，因此在这里选用速度最快的最近邻近插值法。最近邻插值算法实现较为简单而且算法复杂度不高，运行速度较快[34]。算法依据图像中相邻位置的像素点来表示缩放后图像中对应位置的像素点，因此精度不高。在待插值点的4个相邻像素中取欧氏距离最短的一个点，将他的灰度值作为该点的灰度值。最简单的图像比例缩小是水平和垂直方向比例相同都是缩小2倍则原图像中的（0，0）像素点对应着缩小图像中的（0，0）像素点；原图像中的（0，2）像素点对应着缩小图像的（0，1）像素点；原图像中的（2，0）像素点对应着缩小图像中的（1，0）像素点以此类推将图像缩校这种方法相当于在原始图像中进行抽样，调整抽样则可以按任意比例缩小可表示为：Sx=Dx×(ShDh)(2.1)Sy=Dy×(SwDw)(2.2)其中Sx、Sy为原图像中的像素点；Sw、Sh分别为原图像中的宽度和高度；其中Dx、Dy为缩小图像中的像素点；Dh、Dw为缩小图像中的宽度和高度。下采样效果如图2.2所示，可以看出在下采样后依然能够分辨出海洋和陆地。图2.2下采样效果图
济南大学硕士学位论文11图2.3去噪效果图（2）二值化处理在缩略图中使用中值滤波算法去除图像中的噪声后，利用最大类间方差算法（MaximumBetweenClassVariance）又称为大津法（OTSU）可以获得图像中的最佳全局阈值对图像进行二值化处理将海面与陆地区域进行分离。我们对一副图像分为前景像素和背景像素，分割他们的阈值记作T，前景像素在图像的比例记作ω0，背景像素在图像的比例记作ω1，则有：ω0+ω1=1(2.4)总平均灰度值记作μ，平均灰度值记作μ0，则有：μ=ω0×μ0+ω1×μ1(2.5)图像的类间方差记作g，其公式如下：g=ω0(μ0-μ)2+ω1(μ1-μ)2(2.6)将公式代入公式中得到：g=ω0×ω1×(μ0-μ1)2(2.7)其中遥感数据为灰度图像范围为0到255，图像的尺寸为M×N。遍历图像的像素，将灰度值小于分割阈值T的像素个数记作N0，灰度大于分割阈值T的像素记作N1，则：ω0=N0M×N(2.8)
【参考文献】：
期刊论文
[1]基于YOLOv3的嵌入式实时视频目标检测算法[J]. 尹彦卿,龚华军,王新华. 计算机工程. 2020(02)
[2]基于深度分离卷积神经网络的高速高精度SAR舰船检测[J]. 张晓玲,张天文,师君,韦顺军. 雷达学报. 2019(06)
[3]基于光学遥感图像的舰船目标检测技术研究[J]. 尹雅,黄海,张志祥. 计算机科学. 2019(03)
[4]基于Mask R-CNN的舰船目标检测研究[J]. 吴金亮,王港,梁硕,陈金勇,高峰. 无线电工程. 2018(11)
[5]基于卷积神经网络的SAR图像舰船目标检测[J]. 李健伟,曲长文,彭书娟,邓兵. 系统工程与电子技术. 2018(09)
[6]基于卷积神经网络的遥感图像舰船目标检测[J]. 黄洁,姜志国,张浩鹏,姚远. 北京航空航天大学学报. 2017(09)
[7]光学遥感图像多目标检测及识别算法设计与实现[J]. 姬晓飞,秦宁丽. 计算机应用. 2015(11)
[8]高分二号卫星的技术特点[J]. 潘腾. 中国航天. 2015(01)
[9]Landsat系列卫星对地观测40年回顾及LDCM前瞻[J]. 姜高珍,韩冰,高应波,杨崇俊. 遥感学报. 2013(05)
[10]支持大数据管理的NoSQL系统研究综述[J]. 申德荣,于戈,王习特,聂铁铮,寇月. 软件学报. 2013(08)
博士论文
[1]大幅宽光学遥感图像目标检测技术研究[D]. 聂婷.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[2]基于海洋可持续发展的中国海洋科技创新战略研究[D]. 倪国江.中国海洋大学 2010
硕士论文
[1]基于嵌入式平台的目标跟踪系统研究[D]. 王康.南京邮电大学 2019
[2]可见光遥感图像舰船目标检测技术研究[D]. 李庆峰.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]基于深度学习的双阶段舰船检测算法研究[D]. 张旭.东南大学 2019
[4]深度学习算法的FPGA硬件加速研究与实现[D]. 黄圳.电子科技大学 2019
[5]基于无人艇的海天线与船艇小目标检测方法研究[D]. 王传龙.中国舰船研究院 2019
[6]高分辨率遥感图像深度学习舰船检测技术研究[D]. 王腾飞.哈尔滨工业大学 2017
[7]卷积神经网络在遥感目标识别中的应用研究[D]. 殷文斌.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[8]高分辨率遥感影像飞机目标检测[D]. 冯辰.武汉大学 2017
[9]基于FPGA的卷积神经网络加速器[D]. 余子健.浙江大学 2016
[10]基于Node.js高并发web系统的研究与应用[D]. 陈瑶.电子科技大学 2014
本文编号：2941530
【文章来源】：济南大学山东省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
图像预处理算法流程图
济南大学硕士学位论文9的缩放算法，通常使用的是插值法。由于双线性插值法与双三次插值法的计算量较大，在海陆分割步骤中对精度要求不高，因此在这里选用速度最快的最近邻近插值法。最近邻插值算法实现较为简单而且算法复杂度不高，运行速度较快[34]。算法依据图像中相邻位置的像素点来表示缩放后图像中对应位置的像素点，因此精度不高。在待插值点的4个相邻像素中取欧氏距离最短的一个点，将他的灰度值作为该点的灰度值。最简单的图像比例缩小是水平和垂直方向比例相同都是缩小2倍则原图像中的（0，0）像素点对应着缩小图像中的（0，0）像素点；原图像中的（0，2）像素点对应着缩小图像的（0，1）像素点；原图像中的（2，0）像素点对应着缩小图像中的（1，0）像素点以此类推将图像缩校这种方法相当于在原始图像中进行抽样，调整抽样则可以按任意比例缩小可表示为：Sx=Dx×(ShDh)(2.1)Sy=Dy×(SwDw)(2.2)其中Sx、Sy为原图像中的像素点；Sw、Sh分别为原图像中的宽度和高度；其中Dx、Dy为缩小图像中的像素点；Dh、Dw为缩小图像中的宽度和高度。下采样效果如图2.2所示，可以看出在下采样后依然能够分辨出海洋和陆地。图2.2下采样效果图
济南大学硕士学位论文11图2.3去噪效果图（2）二值化处理在缩略图中使用中值滤波算法去除图像中的噪声后，利用最大类间方差算法（MaximumBetweenClassVariance）又称为大津法（OTSU）可以获得图像中的最佳全局阈值对图像进行二值化处理将海面与陆地区域进行分离。我们对一副图像分为前景像素和背景像素，分割他们的阈值记作T，前景像素在图像的比例记作ω0，背景像素在图像的比例记作ω1，则有：ω0+ω1=1(2.4)总平均灰度值记作μ，平均灰度值记作μ0，则有：μ=ω0×μ0+ω1×μ1(2.5)图像的类间方差记作g，其公式如下：g=ω0(μ0-μ)2+ω1(μ1-μ)2(2.6)将公式代入公式中得到：g=ω0×ω1×(μ0-μ1)2(2.7)其中遥感数据为灰度图像范围为0到255，图像的尺寸为M×N。遍历图像的像素，将灰度值小于分割阈值T的像素个数记作N0，灰度大于分割阈值T的像素记作N1，则：ω0=N0M×N(2.8)
【参考文献】：
期刊论文
[1]基于YOLOv3的嵌入式实时视频目标检测算法[J]. 尹彦卿,龚华军,王新华. 计算机工程. 2020(02)
[2]基于深度分离卷积神经网络的高速高精度SAR舰船检测[J]. 张晓玲,张天文,师君,韦顺军. 雷达学报. 2019(06)
[3]基于光学遥感图像的舰船目标检测技术研究[J]. 尹雅,黄海,张志祥. 计算机科学. 2019(03)
[4]基于Mask R-CNN的舰船目标检测研究[J]. 吴金亮,王港,梁硕,陈金勇,高峰. 无线电工程. 2018(11)
[5]基于卷积神经网络的SAR图像舰船目标检测[J]. 李健伟,曲长文,彭书娟,邓兵. 系统工程与电子技术. 2018(09)
[6]基于卷积神经网络的遥感图像舰船目标检测[J]. 黄洁,姜志国,张浩鹏,姚远. 北京航空航天大学学报. 2017(09)
[7]光学遥感图像多目标检测及识别算法设计与实现[J]. 姬晓飞,秦宁丽. 计算机应用. 2015(11)
[8]高分二号卫星的技术特点[J]. 潘腾. 中国航天. 2015(01)
[9]Landsat系列卫星对地观测40年回顾及LDCM前瞻[J]. 姜高珍,韩冰,高应波,杨崇俊. 遥感学报. 2013(05)
[10]支持大数据管理的NoSQL系统研究综述[J]. 申德荣,于戈,王习特,聂铁铮,寇月. 软件学报. 2013(08)
博士论文
[1]大幅宽光学遥感图像目标检测技术研究[D]. 聂婷.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[2]基于海洋可持续发展的中国海洋科技创新战略研究[D]. 倪国江.中国海洋大学 2010
硕士论文
[1]基于嵌入式平台的目标跟踪系统研究[D]. 王康.南京邮电大学 2019
[2]可见光遥感图像舰船目标检测技术研究[D]. 李庆峰.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]基于深度学习的双阶段舰船检测算法研究[D]. 张旭.东南大学 2019
[4]深度学习算法的FPGA硬件加速研究与实现[D]. 黄圳.电子科技大学 2019
[5]基于无人艇的海天线与船艇小目标检测方法研究[D]. 王传龙.中国舰船研究院 2019
[6]高分辨率遥感图像深度学习舰船检测技术研究[D]. 王腾飞.哈尔滨工业大学 2017
[7]卷积神经网络在遥感目标识别中的应用研究[D]. 殷文斌.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[8]高分辨率遥感影像飞机目标检测[D]. 冯辰.武汉大学 2017
[9]基于FPGA的卷积神经网络加速器[D]. 余子健.浙江大学 2016
[10]基于Node.js高并发web系统的研究与应用[D]. 陈瑶.电子科技大学 2014
本文编号：2941530
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2941530.html
