海上目標(biāo)檢測(cè)在保證船舶航行安全以及實(shí)施海上搜救等方面具有重要意義,長(zhǎng)期以來(lái)得到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。其中,由于海上小目標(biāo)距離成像系統(tǒng)很遠(yuǎn),具有面積小、信噪比低等特點(diǎn),加之海況變化復(fù)雜,海上紅外小目標(biāo)圖像的檢測(cè)和跟蹤逐漸成為這一領(lǐng)域的關(guān)鍵技術(shù)之一。本文在歸納、參考前人研究工作的基礎(chǔ)上,以海上紅外小目標(biāo)檢測(cè)問(wèn)題為主要研究?jī)?nèi)容,以提高海上紅外小目標(biāo)的檢測(cè)準(zhǔn)確率和速度為目標(biāo)。在學(xué)習(xí)借鑒已有研究成果基礎(chǔ)上,從紅外圖像預(yù)處理和紅外圖像小目標(biāo)檢測(cè)兩個(gè)方面提出其相應(yīng)的改進(jìn)算法,主要研究工作和研究成果包括:（1）對(duì)紅外小目標(biāo)檢測(cè)的國(guó)內(nèi)外研究現(xiàn)狀、代表性研究方法進(jìn)行了整理、分析和總結(jié),提出了當(dāng)前在海上紅外小目標(biāo)檢測(cè)方面存在的主要問(wèn)題和挑戰(zhàn)。（2）在紅外圖像預(yù)處理方面,在分析紅外圖像與可見(jiàn)光圖像在圖像的成像原理、圖像的直方圖特征和圖像噪聲特點(diǎn)基礎(chǔ)之上,研究提出了一種直方圖均衡化與Retinex相結(jié)合的紅外圖像增強(qiáng)算法。該算法利用小波變換將紅外圖像背景與目標(biāo)分層,紅外圖像的細(xì)節(jié)部分保留在高頻子帶圖像中,背景保留在低頻子帶圖像中,然后分別使用Retinex算法對(duì)高頻部分進(jìn)行增強(qiáng),獲得能夠保留紅外圖像原始細(xì)節(jié)信... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１?ＤＢＴ算法流程圖??Ｆｉｇ．?１．１?Ａｌｇｏｒｉｔｈｍ?ｆｌｏｗｃｈａｒｔ?ｏｆ?ＤＢＴ??

?大連海事大學(xué)碩士學(xué)位論文???適的方法計(jì)算出各個(gè)軌跡目標(biāo)幀與幀之間的能量和。雖然ＴＤＢ思路新穎，但是其也存??在結(jié)構(gòu)復(fù)雜、存儲(chǔ)量大、計(jì)算量大等缺點(diǎn)。圖１．２為ＴＢＤ算法的流程圖。???????１目標(biāo)檢測(cè)??輸入紅外??序列圖像，?＾跟蹤可能目標(biāo)運(yùn)?＾求取后驗(yàn)概－口雜￥?，??動(dòng)軌跡?＾率做出判決??圖１．２?ＴＢＤ算法流程圖??Ｆｉｇ．?１．２?Ａｌｇｏｒｉｔｈｍ?ｆｌｏｗｃｈａｒｔ?ｏｆ?ＴＢＤ??目前比較流行的ＴＢＤ算法主要包括：??（１）粒子濾波器方法。該方法首先在狀態(tài)空間上搜索到一組隨機(jī)樣本，并用這些隨機(jī)??樣本來(lái)近似表示概率密度函數(shù)，進(jìn)行積分運(yùn)算，從而得到系統(tǒng)狀態(tài)下的最小方差估計(jì)。??該方法在對(duì)對(duì)比度低、面積孝運(yùn)動(dòng)速度慢的目標(biāo)狀態(tài)值的估計(jì)方面有著明顯的優(yōu)勢(shì)，??優(yōu)點(diǎn)主要在于其能降低低小慢目標(biāo)的信噪比，從而提高對(duì)目標(biāo)的檢測(cè)跟蹤能力。??（２）三維匹配濾波方法。該方法通過(guò)設(shè)計(jì)多個(gè)三維匹配濾波器來(lái)描述對(duì)比度低、面積??孝運(yùn)動(dòng)速度慢的目標(biāo)潛在的運(yùn)動(dòng)軌跡，然后統(tǒng)計(jì)分析相應(yīng)的輸出結(jié)果，對(duì)信噪比最大??的一個(gè)進(jìn)行標(biāo)定，從而對(duì)運(yùn)動(dòng)目標(biāo)的軌跡和狀態(tài)進(jìn)行分析。該方法的優(yōu)點(diǎn)在于其能同時(shí)??跟蹤檢測(cè)多條軌跡。有實(shí)驗(yàn)表明，在對(duì)低小慢目標(biāo)的檢測(cè)跟蹤能力方面，該方法表現(xiàn)優(yōu)??異，但是其缺點(diǎn)也相當(dāng)明顯，即計(jì)算量較大，實(shí)現(xiàn)困難，應(yīng)用范圍�。郏罚荨�??綜上，ＤＢＴ算法與ＴＢＤ算法在對(duì)小目標(biāo)進(jìn)行檢測(cè)時(shí)都利用了圖像的多幀信息，然??而在利用序列圖像中信息的順序是有所不同。由于ＤＢＴ算法的計(jì)算量小并且易于實(shí)時(shí)??實(shí)現(xiàn)，所以在實(shí)際中應(yīng)用相對(duì)廣泛。但是該算法在處理信噪比低的圖像時(shí)效果不是很理??想。ＴＢＤ算法相對(duì)于ＤＢＴ

?大連海事大學(xué)碩士學(xué)位論文???８－＾－?ｂｂｏｘ??￡?ｔ＂?：Ｊ〕ｅｅ?ｐ?＿？?Ｆｃ：．＼?ｓｏｆｔｍａｘ?ｒｅｇｒｅｓｓｏｒ??，湓基?Ｕ?：：Ｃ〇ｎｖＭｅｔ，?．?＼＼：、厶?ｅｒｒ—．ｒｊ??二?＾?ｔｏ?Ｘｐｃ?ｉｆｃ??＾ｐｒｏｉｅｒｔｉｏｎＶ??ＲｌＨ＾？?１１?ｃｏｎｖ＼Ｌ．?Ｒｏｌ?ｆｅａｔｕｒｅ??Ｌ．．ｉＭＨ．ＪｌＳ?ｆｅａｔｕｒｅ?ｍａｐ?ｖｅｃｔｏｒ?如一ａ．??圖１．４?Ｆａｓｔ?Ｒ－ＣＮＮ目標(biāo)檢測(cè)系統(tǒng)框架??Ｆｉｇ．?１．４?Ｔａｒｇｅｔ?ｄｅｔｅｃｔｉｏｎ?ｆｒａｍｅｗｏｒｋ?ｏｆ?Ｆａｓｔ?Ｒ－ＣＮＮ??在Ｆａｓｔ?Ｒ－ＣＮＮ基礎(chǔ)上，Ｇｉｒｓｈｉｃｋ與何愷明等提出了?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ［１３］，由區(qū)域生成??網(wǎng)絡(luò)（Ｒｅｇｉｏｎ?Ｐｒｏｐｏｓａｌ?Ｎｅｔｗｏｒｋ，ＲＰＮ）與?Ｆａｓｔ?Ｒ－ＣＮＮ?兩階段組成。Ｆａｓｔｅｒ?Ｒ－ＣＮＮ?采用?ＲＰＮ??結(jié)構(gòu)，首先在一個(gè)網(wǎng)絡(luò)框架內(nèi)完成候選區(qū)域，然后進(jìn)行特征提取，最后完成分類(lèi)和定位??修正等操作，真正實(shí)現(xiàn)了端到端的網(wǎng)絡(luò)計(jì)算。ＲＰＮ以滑動(dòng)窗口的方式對(duì)物體分類(lèi)以及對(duì)??位置進(jìn)行更精準(zhǔn)的回歸，共享特征提取網(wǎng)絡(luò)進(jìn)一步提高了目標(biāo)檢測(cè)的速度，檢測(cè)速度從??Ｆａｓｔ－ＲＣＮＮ的２秒縮短為０．２秒。??２０１５年Ｇ／如分Ｓ提出了?ＭＲ－ＣＮＮ?（Ｍｕｌｔｉ－ｒｅｇｉｏｎ?ＣＮＮ）?［１４］算法，該算法首先通過(guò)??樣本周?chē)膱D像分割特征使得原始圖像具有更高的辨識(shí)度，再結(jié)合樣本本身的特征以及??多區(qū)域深度卷積神經(jīng)網(wǎng)絡(luò)將檢測(cè)問(wèn)題分解為分類(lèi)和定位問(wèn)題。尺ｏｎｇ?ｒ在２０１６年提出了??ＨｙｐｅｒＮｒｆｍ算法，該算法通過(guò)精細(xì)化特征的方式克服了深

【參考文獻(xiàn)】：
期刊論文
[1]用于空中紅外目標(biāo)檢測(cè)的增強(qiáng)單發(fā)多框檢測(cè)器方法[J]. 謝江榮,李范鳴,衛(wèi)紅,李冰,邵保泰.  光學(xué)學(xué)報(bào). 2019(06)
[2]基于深度學(xué)習(xí)的圖像語(yǔ)義分割方法綜述[J]. 田萱,王亮,丁琪.  軟件學(xué)報(bào). 2019(02)
[3]基于改進(jìn)的Faster RCNN的手勢(shì)識(shí)別[J]. 張金,馮濤.  信息通信. 2019(01)
[4]紅外單幀圖像弱小目標(biāo)檢測(cè)技術(shù)綜述[J]. 王好賢,董衡,周志權(quán).  激光與光電子學(xué)進(jìn)展. 2019(08)
[5]Low-light image enhancement based on Retinex theory and dual-tree complex wavelet transform[J]. 楊茂祥,唐貴進(jìn),劉小花,王力謙,崔子冠,羅蘇淮.  Optoelectronics Letters. 2018(06)
[6]基于直方圖均衡化圖像增強(qiáng)的兩種改進(jìn)方法[J]. 董麗麗,丁暢,許文海.  電子學(xué)報(bào). 2018(10)
[7]Using deep learning to detect small targets in infrared oversampling images[J]. LIN Liangkui,WANG Shaoyou,TANG Zhongxing.  Journal of Systems Engineering and Electronics. 2018(05)
[8]“弄假成真”:基于對(duì)抗學(xué)習(xí)的數(shù)據(jù)增廣方法[J]. 劉勇,曾仙芳.  科技導(dǎo)報(bào). 2018(17)
[9]“直方圖”均衡化圖像增強(qiáng)技術(shù)研究綜述[J]. 丁暢,董麗麗,許文海.  計(jì)算機(jī)工程與應(yīng)用. 2017(23)
[10]基于時(shí)頻分析的海雜波背景下艦船目標(biāo)檢測(cè)[J]. 李慶忠,周祥振,黎明,牛炯.  計(jì)算機(jī)應(yīng)用研究. 2018(01)

博士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)方法研究及應(yīng)用[D]. 高震宇.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[2]海面目標(biāo)紅外檢測(cè)方法研究[D]. 王斌.大連海事大學(xué) 2018
[3]基于視覺(jué)模型的紅外圖像增強(qiáng)技術(shù)研究[D]. 李毅.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) 2016

碩士論文
[1]基于深度學(xué)習(xí)的紅外圖像飛機(jī)目標(biāo)檢測(cè)方法[D]. 朱大煒.西安電子科技大學(xué) 2018
[2]海面紅外序列圖像的預(yù)處理與目標(biāo)檢測(cè)方法研究[D]. 鄒咪.深圳大學(xué) 2017
[3]紅外圖像細(xì)節(jié)增強(qiáng)方法研究[D]. 郭中原.重慶郵電大學(xué) 2017
[4]強(qiáng)雜波干擾紅外圖像海面弱目標(biāo)檢測(cè)技術(shù)研究與實(shí)現(xiàn)[D]. 丁中干.華中科技大學(xué) 2016



本文編號(hào)：2986356