近年來,紅外目標(biāo)檢測(cè)和跟蹤技術(shù)以其良好的隱蔽性、較強(qiáng)的抗干擾能力等優(yōu)點(diǎn)受到各國的廣泛關(guān)注,被廣泛的應(yīng)用于紅外制導(dǎo)、衛(wèi)星預(yù)警、無人偵察、工業(yè)、農(nóng)業(yè)、醫(yī)學(xué)、交通、航空航天等領(lǐng)域。但是,仍然存在復(fù)雜背景下的紅外目標(biāo)的檢測(cè)和跟蹤精度低的問題。為此,本文對(duì)復(fù)雜背景下紅外目標(biāo)的檢測(cè)和跟蹤算法進(jìn)行了相關(guān)的研究。文章為先檢測(cè)后跟蹤的整體思路,主要研究對(duì)象為紅外弱小目標(biāo)和特定的常規(guī)紅外目標(biāo),以檢測(cè)和跟蹤的精度、實(shí)時(shí)性為出發(fā)點(diǎn),提供了關(guān)于紅外探測(cè)技術(shù)的相關(guān)分析方法。首先,利用人類視覺對(duì)比機(jī)制對(duì)復(fù)雜背景下的紅外弱小目標(biāo)進(jìn)行檢測(cè),算法主要模擬了人眼對(duì)目標(biāo)對(duì)比度敏感這一機(jī)制。首先利用8向梯度方程提取紅外圖像的梯度顯著圖并二值化處理;根據(jù)小目標(biāo)的尺寸大小特征對(duì)梯度顯著圖進(jìn)行優(yōu)化處理,剔除孤立的噪聲點(diǎn)和尺寸較大的背景梯度顯著區(qū)域;利用視覺對(duì)比機(jī)制對(duì)優(yōu)化后的顯著圖進(jìn)行局部對(duì)比度計(jì)算,通過閾值處理剔除虛警目標(biāo),完成紅外弱小目標(biāo)檢測(cè)。在對(duì)常規(guī)特定紅外目標(biāo)的檢測(cè)情況下,本文引入了基于卷積神經(jīng)網(wǎng)絡(luò)的紅外目標(biāo)檢測(cè)算法,將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于特定紅外目標(biāo)的檢測(cè)。利用紅外目標(biāo)正負(fù)樣本對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練并進(jìn)行檢測(cè)測(cè)試實(shí)驗(yàn),該檢... 

【文章來源】：江蘇科技大學(xué)江蘇省

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

紅外目標(biāo)Fig.2.2Imageofinfraredtarget

圖 2.3 灰度三維圖ig.2.3 Gray scale three-dimensional image of Infrared im制的工作原理如圖 2.4 所示：1 2 34 A 56 7 8圖 2.4 圖像塊及其 8 個(gè)鄰域Fig2.4 Image block and its 8 neighborhood 4 中的 A 圖像塊內(nèi)，則求取紅外圖像中 A 圖像素的灰度均值，計(jì)算 A 區(qū)域與周圍 8 個(gè)鄰

14（e）視覺對(duì)比機(jī)制處理后的梯度顯著圖 （f）目標(biāo)檢測(cè)結(jié)果圖 2.5 目標(biāo)檢測(cè)流程圖Fig.2.5 Flow chart of target detection仿真實(shí)驗(yàn)驗(yàn)證本算法的有效性，在配置 2.5GHz 雙核處理器和 2GB 內(nèi)存的聯(lián)想 G腦上進(jìn)行了仿真實(shí)驗(yàn)，所用軟件為 Matlab2011b。實(shí)驗(yàn)主要分為兩部分，文算法與 Top-hat 算子、SUSAN 算子、K-means 算子、3 幀差法及混合的檢測(cè)結(jié)果對(duì)比；第二部分為本文算法在不同背景下對(duì)紅外弱小目標(biāo)的

【參考文獻(xiàn)】：
期刊論文
[1]基于視覺注意機(jī)制的彩色圖像顯著性區(qū)域提取[J]. 孟琭.  計(jì)算機(jī)應(yīng)用研究. 2013(10)
[2]改進(jìn)的萬有引力搜索算法在函數(shù)優(yōu)化中的應(yīng)用[J]. 張維平,任雪飛,李國強(qiáng),牛培峰.  計(jì)算機(jī)應(yīng)用. 2013(05)
[3]基于人類視覺智能和粒子濾波的魯棒目標(biāo)跟蹤算法[J]. 朱明清,王智靈,陳宗海.  控制與決策. 2012(11)
[4]基于改進(jìn)萬有引力搜索算法的無人機(jī)航路規(guī)劃[J]. 李沛,段海濱.  中國科學(xué):技術(shù)科學(xué). 2012(10)
[5]復(fù)雜背景下紅外弱小目標(biāo)檢測(cè)算法研究[J]. 羅蓓蓓,伊興國,申越,孔鵬,董期林,張衛(wèi),李晨光,傅強(qiáng).  應(yīng)用光學(xué). 2012(05)
[6]基于新型粒子群優(yōu)化的粒子濾波雷達(dá)目標(biāo)跟蹤算法[J]. 陳志敏,薄煜明,吳盤龍,陳富.  信息與控制. 2012(04)
[7]一種人工物理優(yōu)化的粒子濾波算法[J]. 劉繁明,錢東,劉超華.  控制與決策. 2012(08)
[8]基于視覺注意機(jī)制的感興趣區(qū)提取方法[J]. 安福定,何東健,朱珊娜.  煤炭技術(shù). 2012(01)
[9]基于視覺注意機(jī)制的感興趣區(qū)檢測(cè)[J]. 張菁,沈蘭蓀,高靜靜.  光子學(xué)報(bào). 2009(06)
[10]人類視覺注意機(jī)制在目標(biāo)檢測(cè)中的應(yīng)用[J]. 桑農(nóng),李正龍,張?zhí)煨?  紅外與激光工程. 2004(01)

博士論文
[1]圖像稀疏表示模型在可視化追蹤中的應(yīng)用研究[D]. 謝成軍.合肥工業(yè)大學(xué) 2014
[2]復(fù)雜場(chǎng)景下實(shí)時(shí)視覺目標(biāo)跟蹤的若干研究[D]. 朱建章.武漢大學(xué) 2014
[3]復(fù)雜背景下紅外目標(biāo)檢測(cè)與跟蹤算法研究[D]. 王鑫.南京理工大學(xué) 2010
[4]粒子濾波算法及其應(yīng)用研究[D]. 梁軍.哈爾濱工業(yè)大學(xué) 2009

碩士論文
[1]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)研究[D]. 付若楠.北京交通大學(xué) 2017
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法研究[D]. 胡長(zhǎng)雨.哈爾濱理工大學(xué) 2017
[3]基于深度學(xué)習(xí)的快速目標(biāo)檢測(cè)技術(shù)研究[D]. 王震.天津理工大學(xué) 2017
[4]基于深度學(xué)習(xí)的溯源視頻目標(biāo)檢測(cè)與識(shí)別[D]. 劉健.東南大學(xué) 2016
[5]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)與分割算法研究[D]. 王若辰.北京工業(yè)大學(xué) 2016
[6]基于深度學(xué)習(xí)的SAR圖像艦船檢測(cè)[D]. 史丹榮.西安電子科技大學(xué) 2015
[7]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法研究及應(yīng)用[D]. 萬維.電子科技大學(xué) 2015
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)模型的研究[D]. 黃咨.上海交通大學(xué) 2015
[9]基于粒子濾波的紅外目標(biāo)跟蹤方法研究[D]. 姬雪峰.西安電子科技大學(xué) 2011
[10]粒子濾波重采樣算法研究及其應(yīng)用[D]. 吳寶成.哈爾濱工業(yè)大學(xué) 2006



本文編號(hào)：2948679