在傳統(tǒng)基于單源圖像的目標(biāo)識(shí)別系統(tǒng)中,因傳感器成像機(jī)理的限制,無(wú)法在復(fù)雜環(huán)境下獲取目標(biāo)全面準(zhǔn)確的信息描述,目標(biāo)識(shí)別率較低。隨著信息融合技術(shù)的不斷發(fā)展,利用多源圖像信息融合可以有效擴(kuò)展系統(tǒng)獲取目標(biāo)描述的時(shí)空覆蓋范圍,從而提高系統(tǒng)的目標(biāo)識(shí)別率。傳統(tǒng)的融合方法主要基于像素級(jí)層面,其融合對(duì)象大多為大場(chǎng)景下高分辨率圖像,且融合效果依賴(lài)圖像配準(zhǔn)精度,無(wú)法適用于局部場(chǎng)景下低分辯目標(biāo)圖像。特征級(jí)融合是基于圖像中提取特征的對(duì)應(yīng)關(guān)系而進(jìn)行的信息融合,具有在相對(duì)較少計(jì)算數(shù)據(jù)量的同時(shí),較好地保證融合精度的優(yōu)勢(shì)特點(diǎn),同時(shí)特征級(jí)融合算法可以互補(bǔ)各源圖像以及各特征提取算法之間的優(yōu)勢(shì),去除冗余信息。本文針對(duì)無(wú)人機(jī)平臺(tái)下可見(jiàn)光/紅外雙源圖像融合識(shí)別需要,開(kāi)展可見(jiàn)光/紅外圖像特征級(jí)融合目標(biāo)識(shí)別研究,論文主要工作與創(chuàng)新點(diǎn)包括:（1）為了滿足本文研究的實(shí)驗(yàn)數(shù)據(jù)需求,搭建了無(wú)人機(jī)平臺(tái)下可見(jiàn)光/紅外雙源成像系統(tǒng),采集了近視場(chǎng)下多種目標(biāo)的多姿態(tài)、多視角雙源圖像數(shù)據(jù)集。（2）為了避免單一特征描述的局限性和敏感性,研究了多類(lèi)圖像特征提取算法,構(gòu)建了雙源圖像的多特征集合作為特征級(jí)融合對(duì)象,并通過(guò)實(shí)驗(yàn)分析了特征在單源圖像以及雙源圖像中的相關(guān)... 

【文章來(lái)源】：南京航空航天大學(xué)江蘇省 211工程院校

【文章頁(yè)數(shù)】：94 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 多源圖像信息融合概述
        1.2.1 像素級(jí)融合
        1.2.2 特征級(jí)融合
        1.2.3 決策級(jí)融合
        1.2.4 不同層級(jí)融合應(yīng)用方向及性能分析
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 多源圖像融合顯示的國(guó)內(nèi)外研究現(xiàn)狀
        1.3.2 多源圖像融合識(shí)別的國(guó)內(nèi)外研究現(xiàn)狀
        1.3.3 存在的問(wèn)題與不足
    1.4 論文的主要研究工作及章節(jié)安排
第二章 可見(jiàn)光與紅外圖像特點(diǎn)及多特征提取
    2.1 可見(jiàn)光與紅外成像原理及特點(diǎn)
        2.1.1 可見(jiàn)光成像原理
        2.1.2 紅外熱成像原理
        2.1.3 可見(jiàn)光與紅外圖像特點(diǎn)分析
        2.1.4 無(wú)人機(jī)平臺(tái)下的可見(jiàn)光與紅外成像系統(tǒng)
        2.1.5 可見(jiàn)光/紅外雙源數(shù)據(jù)集介紹
    2.2 可見(jiàn)光與紅外圖像多特征提取
        2.2.1 基于Gabor濾波器的特征提取
        2.2.2 基于局部二值模式的特征提取
        2.2.3 基于灰度共生矩陣的特征提取
        2.2.4 基于顏色直方圖的特征提取
        2.2.5 基于邊緣直方圖的特征提取
        2.2.6 基于Hu不變矩的特征提取
        2.2.7 雙源圖像的多特征集合構(gòu)建
    2.3 實(shí)驗(yàn)結(jié)果與分析
        2.3.1 實(shí)驗(yàn)數(shù)據(jù)
        2.3.2 多特征集合構(gòu)建及參數(shù)設(shè)置
        2.3.3 實(shí)驗(yàn)結(jié)果
        2.3.4 特征的相關(guān)性分析
        2.3.5 特征的敏感性分析
    2.4 本章小結(jié)
第三章 結(jié)合mRMR與 PCA的可見(jiàn)光/紅外圖像特征級(jí)融合
    3.1 特征級(jí)融合算法概述
    3.2 常見(jiàn)的特征級(jí)融合算法
        3.2.1 串聯(lián)融合算法
        3.2.2 并聯(lián)融合算法
        3.2.3 基于Fisher Score的特征融合算法
        3.2.4 基于遺傳算法的特征融合算法
        3.2.5 基于典型相關(guān)分析的特征融合算法
    3.3 基于最大相關(guān)最小冗余的單源圖像多特征融合
        3.3.1 互信息理論
        3.3.2 特征評(píng)價(jià)與搜索策略
        3.3.3 單源圖像多特征選擇融合實(shí)現(xiàn)
        3.3.4 可見(jiàn)光與紅外單源圖像mRMR融合特征提取流程
    3.4 基于主成分分析的雙源圖像特征融合
        3.4.1 主成分分析原理
        3.4.2 主成分分析數(shù)學(xué)模型
        3.4.3 主成分分解推導(dǎo)
        3.4.4 主成分的選擇
        3.4.5 雙源圖像特征變換融合實(shí)現(xiàn)
PCA融合特征的可見(jiàn)光/紅外圖像目標(biāo)識(shí)別">    3.5 基于mRMR_PCA融合特征的可見(jiàn)光/紅外圖像目標(biāo)識(shí)別
        3.5.1 算法流程圖
        3.5.2 可見(jiàn)光/紅外圖像多特征集合構(gòu)建與參數(shù)設(shè)定
        3.5.3 實(shí)驗(yàn)數(shù)據(jù)集
        3.5.4 分類(lèi)器選擇
        3.5.5 實(shí)驗(yàn)平臺(tái)
        3.5.6 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的雙源圖像特征提取及融合識(shí)別算法
    4.1 傳統(tǒng)多特征提取算法的局限性
        4.1.1 時(shí)間局限性
        4.1.2 特征描述局限性
    4.2 卷積神經(jīng)網(wǎng)絡(luò)概述
        4.2.1 局部感知與權(quán)值共享
        4.2.2 多卷積核與多層卷積
        4.2.3 非線性特征映射
        4.2.4 池化降采樣
        4.2.5 網(wǎng)絡(luò)模型的訓(xùn)練
        4.2.6 網(wǎng)絡(luò)的推導(dǎo)與實(shí)現(xiàn)
        4.2.7 卷積神經(jīng)網(wǎng)絡(luò)的特征提取特點(diǎn)
    4.3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像CNN特征提取
        4.3.1 遷移學(xué)習(xí)理論
        4.3.2 基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練
        4.3.3 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
        4.3.4 可見(jiàn)光與紅外圖像CNN特征提取方法
    4.4 基于雙源圖像CNN特征的融合識(shí)別
        4.4.1 算法流程圖
        4.4.2 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 全文總結(jié)與展望
    5.1 論文工作總結(jié)
    5.2 課題研究展望
參考文獻(xiàn)
致謝
在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文


【參考文獻(xiàn)】：
期刊論文
[1]多元統(tǒng)計(jì)分析的模態(tài)參數(shù)辨識(shí)方法比較及應(yīng)用[J]. 官威,董龍雷.  噪聲與振動(dòng)控制. 2018(S2)
[2]基于特征級(jí)融合的多波段艦船目標(biāo)識(shí)別方法[J]. 劉峰,沈同圣,郭少軍,張健.  光譜學(xué)與光譜分析. 2017(06)
[3]深度學(xué)習(xí)在SAR目標(biāo)識(shí)別與地物分類(lèi)中的應(yīng)用[J]. 徐豐,王海鵬,金亞秋.  雷達(dá)學(xué)報(bào). 2017(02)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[5]海面艦船紅外與可見(jiàn)光圖像配準(zhǔn)[J]. 郭少軍,劉峰,奚曉粱.  紅外技術(shù). 2016(05)
[6]基于壓縮感知的紅外與可見(jiàn)光圖像融合[J]. 周渝人,耿愛(ài)輝,張強(qiáng),陳娟,董宇星.  光學(xué)精密工程. 2015(03)
[7]基于信息增益的文本特征選擇方法[J]. 任永功,楊榮杰,尹明飛,馬名威.  計(jì)算機(jī)科學(xué). 2012(11)
[8]基于剪切波變換的可見(jiàn)光與紅外圖像融合算法[J]. 鄭紅,鄭晨,閆秀生,陳海霞.  儀器儀表學(xué)報(bào). 2012(07)
[9]面向目標(biāo)識(shí)別的多特征圖像融合技術(shù)綜述[J]. 王大偉,陳定榮,何亦征.  航空電子技術(shù). 2011(02)
[10]特征選擇算法綜述[J]. 計(jì)智偉,胡珉,尹建新.  電子設(shè)計(jì)工程. 2011(09)

博士論文
[1]基于特征級(jí)圖像融合的目標(biāo)識(shí)別技術(shù)研究[D]. 王大偉.中國(guó)科學(xué)院研究生院（長(zhǎng)春光學(xué)精密機(jī)械與物理研究所） 2010

碩士論文
[1]基于特征級(jí)融合的目標(biāo)識(shí)別方法研究[D]. 王東明.沈陽(yáng)理工大學(xué) 2013
[2]基于可見(jiàn)光與紅外圖像融合的目標(biāo)識(shí)別研究[D]. 孫思佳.南京航空航天大學(xué) 2012
[3]多傳感器數(shù)據(jù)融合在目標(biāo)識(shí)別中的應(yīng)用研究[D]. 趙丹丹.太原理工大學(xué) 2007



本文編號(hào)：3021336