隨著人工智能的高速發(fā)展,目標(biāo)檢測(cè)在計(jì)算機(jī)視覺(jué)中占據(jù)越來(lái)越重要的地位。傳統(tǒng)的基于分類器的目標(biāo)識(shí)別方法雖然能取得較好的識(shí)別效果,但需要大量的訓(xùn)練樣本,學(xué)習(xí)過(guò)程緩慢,訓(xùn)練參數(shù)容易出現(xiàn)過(guò)擬合現(xiàn)象。針對(duì)這些問(wèn)題,非訓(xùn)練的目標(biāo)識(shí)別方法成為近幾年的研究熱點(diǎn)。本文對(duì)彩色及多光譜圖像的目標(biāo)檢測(cè)展開(kāi)分析,提出并研究了兩種具有魯棒性的目標(biāo)檢測(cè)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(duì)識(shí)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(jì)算量大以及檢測(cè)精度低等問(wèn)題。同時(shí)建立了多尺度多視角的模板集,解決待測(cè)圖像中視場(chǎng)深度不同引起的目標(biāo)尺寸差異和非剛性目標(biāo)姿態(tài)多變等問(wèn)題。實(shí)驗(yàn)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(wèn)題,降低了誤檢率。（2）基于局部特征和近鄰約束的目標(biāo)檢測(cè)模型。在上述模型的基礎(chǔ)上,進(jìn)一步引入近鄰結(jié)構(gòu)特征,以提高目標(biāo)檢測(cè)的完整度;同時(shí),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(jìn)行交替檢測(cè),從而兼顧目標(biāo)的局部細(xì)... 

【文章來(lái)源】：南京理工大學(xué)江蘇省 211工程院校

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)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(biāo)檢測(cè)的基本思路
    1.3 目標(biāo)檢測(cè)的研究現(xiàn)狀
    1.4 主要研究?jī)?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(biāo)檢測(cè)
    4.1 基于3D-LARK的權(quán)值矩陣
    4.2 相似性判斷與統(tǒng)計(jì)
    4.3 金字塔分層結(jié)構(gòu)模型
    4.4 實(shí)驗(yàn)結(jié)果分析
        4.4.1 模板集參數(shù)設(shè)置
        4.4.2 目標(biāo)圖像參數(shù)設(shè)置
        4.4.3 實(shí)驗(yàn)測(cè)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(biāo)檢測(cè)模型
    5.1 NPBP（Neighbor Patch Binary Pattern）
    5.2 基于NPBP和3D-LARK的目標(biāo)檢測(cè)原理
    5.3 基于局部和近鄰結(jié)構(gòu)特征約束的目標(biāo)檢測(cè)模型
    5.4 參數(shù)分析與實(shí)驗(yàn)結(jié)果
        5.4.1 模板集參數(shù)分析
        5.4.2 待測(cè)圖像參數(shù)設(shè)置
        5.4.3 實(shí)驗(yàn)檢測(cè)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(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]一種基于LBP特征與流形知識(shí)的人臉識(shí)別方法[J]. 李菱歌,蔡超.  計(jì)算機(jī)與數(shù)字工程. 2014(07)
[2]金字塔評(píng)分改進(jìn)主方向模板匹配的實(shí)時(shí)目標(biāo)檢索[J]. 洪朝群,朱建科,李娜,卜佳俊,陳純.  中國(guó)圖象圖形學(xué)報(bào). 2012(05)



本文編號(hào)：3061757