非視域成像是當(dāng)前激光成像領(lǐng)域的一個(gè)新興方向,通過(guò)該技術(shù)能夠?qū)鈱W(xué)系統(tǒng)視場(chǎng)外的區(qū)域進(jìn)行成像,對(duì)提升反恐能力和自動(dòng)駕駛能力具有重要意義。近年來(lái),隨著探測(cè)儀器精度的提升和圖像重構(gòu)算法的完善,非視域成像愈發(fā)趨近于實(shí)際應(yīng)用,在非視域場(chǎng)景下對(duì)目標(biāo)進(jìn)行識(shí)別的需求日益增加。然而目前對(duì)于非視域識(shí)別仍存在著兩方面問(wèn)題,一方面現(xiàn)有的圖像恢復(fù)算法不能較好的均衡算法實(shí)時(shí)性和圖像還原質(zhì)量,另一方面,非視域還原的圖像普遍質(zhì)量較差,物體的形狀畸變較為嚴(yán)重,導(dǎo)致難以進(jìn)行識(shí)別。因此,本文就如何重構(gòu)出適合于識(shí)別的目標(biāo)圖像,以及如何對(duì)非視域圖像進(jìn)行識(shí)別兩方面進(jìn)行了研究。首先,本文針對(duì)非視域的實(shí)驗(yàn)場(chǎng)景,建立了相應(yīng)的激光傳播模型,以該理論模型為依據(jù),對(duì)實(shí)驗(yàn)場(chǎng)景進(jìn)行了仿真,從而對(duì)空間中不同位置、不同類(lèi)別的物體進(jìn)行了模擬,生成了對(duì)應(yīng)的探測(cè)器數(shù)據(jù)。同時(shí)考慮到現(xiàn)有的圖像還原算法無(wú)法較好的兼顧重構(gòu)速度和精度,因此本文通過(guò)引入Meanshift定位算法,從而將虛擬波和橢球逆投影較好的結(jié)合起來(lái),以更快的速度從信號(hào)中還原獲得了更高質(zhì)量的點(diǎn)云圖像,進(jìn)而生成了一系列訓(xùn)練樣本和測(cè)試樣本圖像,為后續(xù)針對(duì)非視域圖像的特征提取提供樣本素材。其次,本文針對(duì)非... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省211工程院校985工程院校

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究的背景和意義
    1.2 非視域成像的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外非視域成像研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)非視域成像研究現(xiàn)狀
    1.3 非視域識(shí)別的國(guó)內(nèi)外研究現(xiàn)狀
    1.4 國(guó)內(nèi)外研究現(xiàn)狀分析
    1.5 本文的主要研究?jī)?nèi)容
第二章 非視域激光成像理論及仿真
    2.1 引言
    2.2 非視域場(chǎng)景下激光傳輸模型的原理及仿真
        2.2.1 非視域場(chǎng)景下激光傳輸模型的原理
        2.2.2 非視域場(chǎng)景下激光傳輸模型的仿真
    2.3 基于非視域目標(biāo)的圖像還原算法
        2.3.1 大尺度低精度圖像還原算法
        2.3.2 基于Meanshift的點(diǎn)云定位算法
        2.3.3 小尺度高精度圖像還原算法
    2.4 非視域圖像還原評(píng)價(jià)指標(biāo)的建立
    2.5 本章小結(jié)
第三章 基于非視域目標(biāo)的特征提取
    3.1 引言
    3.2 基于非視域圖像的預(yù)處理
        3.2.1 三維拉普拉斯濾波
        3.2.2 最大值投影法
    3.3 基于非視域圖像的傳統(tǒng)特征提取
        3.3.1 常見(jiàn)的形狀特征提取方法分析
        3.3.2 基于HOG特征的形狀特征提取
        3.3.3 常見(jiàn)的紋理特征提取算法分析
        3.3.4 基于Gabor特征的紋理特征提取
    3.4 基于非視域圖像的深度特征提取
        3.4.1 卷積神經(jīng)網(wǎng)絡(luò)原理
        3.4.2 基于卷積神經(jīng)網(wǎng)絡(luò)的深度特征提取
    3.5 特征評(píng)價(jià)指標(biāo)的建立
    3.6 本章小結(jié)
第四章 非視域場(chǎng)景下的目標(biāo)識(shí)別
    4.1 引言
    4.2 基于支持向量機(jī)的目標(biāo)識(shí)別算法
        4.2.1 支持向量機(jī)原理
        4.2.2 基于粒子群算法的參數(shù)選取方法
    4.3 基于特征融合的目標(biāo)識(shí)別算法
        4.3.1 常見(jiàn)融合算法的分析
        4.3.2 基于Stacking集成的目標(biāo)識(shí)別算法
        4.3.3 識(shí)別評(píng)價(jià)指標(biāo)的建立
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的非視域成像[J]. 于亭義,喬木,劉紅林,韓申生.  光學(xué)學(xué)報(bào). 2019(07)
[2]基于距離選通的非視域成像技術(shù)實(shí)驗(yàn)[J]. 韓宏偉,鐘煒.  光學(xué)儀器. 2015(03)
[3]基于激光距離選通的非視域成像特性分析[J]. 許凱達(dá),金偉其,劉敬,郭暉,裘溯,李力,趙紳有.  兵工學(xué)報(bào). 2014(12)
[4]基于激光距離選通成像的非視域成像應(yīng)用[J]. 許凱達(dá),金偉其,劉敬,裘溯,田訓(xùn)卿.  紅外與激光工程. 2012(08)

博士論文
[1]多維高分辨雷達(dá)圖像目標(biāo)識(shí)別方法研究[D]. 周知.電子科技大學(xué) 2019
[2]數(shù)字圖像縮放及其質(zhì)量評(píng)價(jià)方法研究[D]. 王博.哈爾濱工程大學(xué) 2015

碩士論文
[1]基于SVM和RPCA的目標(biāo)檢測(cè)算法若干研究[D]. 焦佳麗.南京郵電大學(xué) 2019
[2]紅外成像/雷達(dá)融合的小目標(biāo)跟蹤方法研究[D]. 董良武.華中科技大學(xué) 2019
[3]粒子群優(yōu)化算法的改進(jìn)和應(yīng)用研究[D]. 趙毅.沈陽(yáng)工業(yè)大學(xué) 2019
[4]可見(jiàn)光遙感圖像艦船目標(biāo)檢測(cè)技術(shù)研究[D]. 李慶峰.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所) 2019
[5]激光非視域成像場(chǎng)景仿真與三維重建技術(shù)研究[D]. 鐔京京.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院西安光學(xué)精密機(jī)械研究所) 2018
[6]基于光子計(jì)數(shù)的非視域激光成像方法的優(yōu)化研究[D]. 謝佳衡.哈爾濱工業(yè)大學(xué) 2017
[7]光學(xué)遙感圖像艦船目標(biāo)檢測(cè)技術(shù)的研究[D]. 彭敬濤.東華大學(xué) 2017
[8]短波紅外激光非視域三維成像系統(tǒng)及性能研究[D]. 張飛翔.哈爾濱工業(yè)大學(xué) 2016
[9]基于光子計(jì)數(shù)原理的非視域激光三維成像的精度研究[D]. 翟建華.哈爾濱工業(yè)大學(xué) 2015



本文編號(hào)：3632404