隨著人工智能的高速發(fā)展,目標檢測在計算機視覺中占據(jù)越來越重要的地位。傳統(tǒng)的基于分類器的目標識別方法雖然能取得較好的識別效果,但需要大量的訓(xùn)練樣本,學(xué)習(xí)過程緩慢,訓(xùn)練參數(shù)容易出現(xiàn)過擬合現(xiàn)象。針對這些問題,非訓(xùn)練的目標識別方法成為近幾年的研究熱點。本文對彩色及多光譜圖像的目標檢測展開分析,提出并研究了兩種具有魯棒性的目標檢測模型。（1）基于LARK的金字塔分層結(jié)構(gòu)模型。模型中構(gòu)建了基于空間域和光譜域的3D-LARK特征算子,解決單光譜圖像中光譜信息缺失對識別精確度的影響;并建立了金字塔分層結(jié)構(gòu)模型,解決多光譜圖像信息豐富造成的計算量大以及檢測精度低等問題。同時建立了多尺度多視角的模板集,解決待測圖像中視場深度不同引起的目標尺寸差異和非剛性目標姿態(tài)多變等問題。實驗證明,與基于灰度的非訓(xùn)練算法相比,本模型有效的利用了空間和光譜信息,解決了背景噪聲中局部相似結(jié)構(gòu)干擾等問題,降低了誤檢率。（2）基于局部特征和近鄰約束的目標檢測模型。在上述模型的基礎(chǔ)上,進一步引入近鄰結(jié)構(gòu)特征,以提高目標檢測的完整度;同時,在金字塔分層模型中,使用近鄰結(jié)構(gòu)特征與3D-LARK局部特征進行交替檢測,從而兼顧目標的局部細... 

【文章來源】：南京理工大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 目標檢測的基本思路
    1.3 目標檢測的研究現(xiàn)狀
    1.4 主要研究內(nèi)容及章節(jié)安排
2 圖像金字塔相關(guān)理論分析
    2.1 尺度空間理論
    2.2 金字塔算法
        2.2.1 高斯模糊
        2.2.2 高斯金字塔
        2.2.3 DOG金字塔
        2.2.4 拉普拉斯金字塔
    2.3 圖像金字塔在圖像處理中的應(yīng)用
    2.4 本章小結(jié)
3 基于空間-光譜的局部自適應(yīng)回歸核的結(jié)構(gòu)特征
    3.1 局部自適應(yīng)回歸核（LARK）
    3.2 基于空間-光譜的3D-LARK
    3.3 其他特征算子與3D-LARK的比較
    3.4 本章小結(jié)
4.基于3D-LARK和分層模型的多光譜目標檢測
    4.1 基于3D-LARK的權(quán)值矩陣
    4.2 相似性判斷與統(tǒng)計
    4.3 金字塔分層結(jié)構(gòu)模型
    4.4 實驗結(jié)果分析
        4.4.1 模板集參數(shù)設(shè)置
        4.4.2 目標圖像參數(shù)設(shè)置
        4.4.3 實驗測試結(jié)果及分析
    4.5 本章小結(jié)
5 基于局部和近鄰結(jié)構(gòu)特征約束的目標檢測模型
    5.1 NPBP（Neighbor Patch Binary Pattern）
    5.2 基于NPBP和3D-LARK的目標檢測原理
    5.3 基于局部和近鄰結(jié)構(gòu)特征約束的目標檢測模型
    5.4 參數(shù)分析與實驗結(jié)果
        5.4.1 模板集參數(shù)分析
        5.4.2 待測圖像參數(shù)設(shè)置
        5.4.3 實驗檢測結(jié)果
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 后期工作展望
參考文獻
附錄


【參考文獻】：
期刊論文
[1]一種基于LBP特征與流形知識的人臉識別方法[J]. 李菱歌,蔡超.  計算機與數(shù)字工程. 2014(07)
[2]金字塔評分改進主方向模板匹配的實時目標檢索[J]. 洪朝群,朱建科,李娜,卜佳俊,陳純.  中國圖象圖形學(xué)報. 2012(05)



本文編號：3061757