目標(biāo)檢測與識別是計算機視覺領(lǐng)域的基礎(chǔ)性研究課題,也是大量高級任務(wù)的必備前提向來是該領(lǐng)域的熱點研究問題。由于應(yīng)用場景通常復(fù)雜多變,需要考慮視角變化、光照變化、遮擋、尺度、噪聲等等各種因素,同一類物體在圖像上的表現(xiàn)往往差異巨大。人類視覺能夠從圖像中輕易獲取到的高級語義信息,比如圖像中是否包含某樣物體,具體位置在哪,對于計算機來說卻是困難重重,因此在過去幾十年中激勵著大批研究人員密切關(guān)注并投入研究。本文針對大尺寸軍用機場衛(wèi)星圖像中的航空器目標(biāo)檢測的子任務(wù),分別實現(xiàn)并對比了基于局部特征的目標(biāo)檢測算法和基于深度學(xué)習(xí)的目標(biāo)檢測算法的表現(xiàn);接著針對航空器類型識別的子任務(wù),對比了基于卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)的兩種分類算法的性能與優(yōu)缺點�；诰植刻卣鞯哪繕�(biāo)檢測識別采用了基于SIFT特征的霍夫森林算法,首先在訓(xùn)練集上進行稀疏SIFT特征提取,以類別信息與偏移量訓(xùn)練霍夫森林模型;然后在測試集上對測試圖片的特征描述子進行概率霍夫投票,在霍夫空間中搜索到可能存在目標(biāo)中心的位置。后者則是采取了目前相對主流的深度學(xué)習(xí)的思路,先將目標(biāo)檢測的任務(wù)看成空間上獨立的bounding-box的回歸問題,通過一個24層的卷積神經(jīng)網(wǎng)絡(luò)模... 

【文章來源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：90 頁

【學(xué)位級別】：碩士

【部分圖文】：

目標(biāo)檢測標(biāo)準流圖

上海交通大學(xué)碩士學(xué)位論文圖1-2 航空器檢測與識別系統(tǒng)框架Fig.1-2 Framework of the aircraft detection and recognition system上圖1-2給出了本文在該應(yīng)用場景中實現(xiàn)的系統(tǒng)框架圖，分為預(yù)處理輸入圖像、目標(biāo)檢測、類型識別、以及輸出綜合結(jié)果四個階段，其中目標(biāo)檢測以及類型識別兩個模塊是本文研究的主要內(nèi)容。在目標(biāo)識別模塊中，本文分別對比了傳統(tǒng)的目標(biāo)檢測算法以及基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法。其中傳統(tǒng)算法主要選擇了基于霍夫森林的目標(biāo)檢測算法為主要研究對象，首先對訓(xùn)練數(shù)據(jù)提取稀疏SIFT特征，根據(jù)人工標(biāo)注的標(biāo)簽來確定該特征描述向量屬于目標(biāo)還是背景，然后由SIFT特征點以及對應(yīng)的目標(biāo)中心偏移量構(gòu)建霍夫森林；測試階段，同樣對輸入圖像提取SIFT特征點

上海交通大學(xué)碩士學(xué)位論文低的優(yōu)點，因此在平板電腦、智能穿戴設(shè)備、智能手機等移動具有很好的潛力和前景。本文中，我們使用標(biāo)準的稀疏SIFT(Scale Invariant Featureorm)特征提取來作為目標(biāo)檢測的局部特征描述手段。SIFT特征概括為以下兩個步驟：在尺度空間進行高斯差分(Difference oans)關(guān)鍵點的檢測，和特征點描述子的形成。其中高斯差分ence of Gaussians)關(guān)鍵點的檢測流程如下：首先是生成尺度空極值點檢測，第三步為關(guān)鍵點位置和尺度的精確定位，接著是特征主方向，最終生成SIFT特征描述子[69]。下圖2-1給出了S流程圖：


本文編號：3136323