發(fā)布時(shí)間：2021-09-05 03:36

　　微弱目標(biāo)跟蹤在雷達(dá)檢測(cè)、機(jī)器視覺(jué)、醫(yī)學(xué)等領(lǐng)域發(fā)揮著重要作用。但在實(shí)際應(yīng)用中,由于背景雜波干擾、信噪比低、遮擋變形等因素影響,微弱目標(biāo)易被周?chē)h(huán)境中強(qiáng)烈的噪聲干擾,此時(shí),應(yīng)對(duì)單一場(chǎng)景或場(chǎng)景過(guò)于簡(jiǎn)單的算法均難以適用。當(dāng)下,基于多應(yīng)用場(chǎng)景的目標(biāo)跟蹤問(wèn)題成為研究重點(diǎn),其場(chǎng)景主要分為三類(lèi):存在云干擾的天空模型、存在海面干擾的海天模型、存在地物干擾的陸空模型。為解決復(fù)雜場(chǎng)景對(duì)微弱目標(biāo)跟蹤造成干擾的問(wèn)題,提高跟蹤精度和準(zhǔn)確性,本文對(duì)基于深度學(xué)習(xí)的微弱目標(biāo)跟蹤算法展開(kāi)研究,具體研究?jī)?nèi)容包括:1)在圖像預(yù)處理過(guò)程中,提出一種融合背景估計(jì)的最大方差閾值分割算法,通過(guò)實(shí)驗(yàn)結(jié)果證明,改進(jìn)的算法能更好的獲取候選區(qū)域的特征信息;改進(jìn)一種引導(dǎo)圖像濾波算法,通過(guò)實(shí)驗(yàn)對(duì)比表明,改進(jìn)后的算法可以明顯突出圖像中微弱目標(biāo)的信息,提高檢測(cè)準(zhǔn)確度。2)設(shè)計(jì)了云干擾抑制子系統(tǒng)。針對(duì)天空模型中微弱目標(biāo)特征信息少,訓(xùn)練樣本提取效率低等問(wèn)題,改進(jìn)引導(dǎo)圖像濾波器對(duì)目標(biāo)圖像進(jìn)行濾波處理,使不準(zhǔn)確的背景模板模糊并有效增強(qiáng)目標(biāo)圖像,通過(guò)改進(jìn)后的去噪自編碼器克服訓(xùn)練樣本的不足。通過(guò)與多種主流算法的對(duì)比實(shí)驗(yàn)表明,系統(tǒng)能有效抑制云內(nèi)灰度起伏、強(qiáng)灰度噪... 

【文章來(lái)源】：山東理工大學(xué)山東省

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

低信噪比的微弱目標(biāo)環(huán)境及其成像三維曲面

山東理工大學(xué)碩士學(xué)位論文第一章緒論2義。圖1.1低信噪比的微弱目標(biāo)環(huán)境及其成像三維曲面Fig.1.1DimtargetenvironmentwithlowSNRanditsimaging3Dsurface圖1.2強(qiáng)噪聲干擾下的微弱目標(biāo)環(huán)境及其成像三維曲面Fig.1.2Dimtargetenvironmentanditsimagingthree-dimensionalsurfaceunderstrongnoiseinterference近年來(lái)，越來(lái)越多的微弱目標(biāo)跟蹤算法開(kāi)始挖掘深度學(xué)習(xí)的學(xué)習(xí)和表征能力。深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetworks，DNN）[7]可以學(xué)習(xí)豐富的圖像特征表示，并從輸入中提取復(fù)雜和抽象的特征；卷積神經(jīng)網(wǎng)絡(luò)[8,9]是目前最先進(jìn)的空間模式提取技術(shù)，廣泛應(yīng)用于目標(biāo)圖像分類(lèi)和檢測(cè)等任務(wù)；而遞歸神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetworks，RNN）[10]能夠?qū)π蛄袛?shù)據(jù)進(jìn)行有效的處理，比如音頻信號(hào)、時(shí)間序列和文本等信息。伴隨著深度學(xué)習(xí)快速發(fā)展，基于深度學(xué)習(xí)的相關(guān)算法在許多場(chǎng)景中都能達(dá)到很好的效果，將深度學(xué)習(xí)應(yīng)用微弱目標(biāo)的檢測(cè)和跟蹤過(guò)程中，能夠有效的幫助解決跟蹤過(guò)程中存在的上述主要問(wèn)題，這也使復(fù)雜背景環(huán)境下微弱目標(biāo)跟蹤技術(shù)成為最近幾年的研究熱點(diǎn)之一。本文在現(xiàn)有的理論研究基礎(chǔ)上，以深度學(xué)習(xí)算法為依托，以多尺度特征融合深度圖像為關(guān)鍵，致力于微弱目標(biāo)檢測(cè)與跟蹤的研究，目的是在視場(chǎng)內(nèi)強(qiáng)背景雜

山東理工大學(xué)碩士學(xué)位論文第二章微弱目標(biāo)圖像預(yù)處理22Laplacian算子LOG算子Canny算子最大方差閾值本文BE-MVT（a）圖像序列1（b）圖像序列2（c）圖像序列3圖2.4背景估計(jì)后的候選區(qū)域提取Fig.2.4Candidateregionextractionafterbackgroundestimation從以上實(shí)驗(yàn)結(jié)果可以得出，在海天模型中所有算法都可以保留目標(biāo)像素，其中Roberts算子、Sobel算子、Prewitt算子能忽略較多的干擾像素，但無(wú)法避免海天交界處細(xì)長(zhǎng)直線的干擾，Laplacian算子在圖像序列1中剔除了細(xì)長(zhǎng)目標(biāo)，但在其他兩個(gè)序列中依舊保留了海平線目標(biāo)，證明Laplacian算子在海天交界不明顯時(shí)能排除海平線干擾，LOG算子和Canny算子保留的候選區(qū)域數(shù)量太多，不利于候選區(qū)域的提取，而最大方差閾值保留的候選區(qū)域數(shù)量太少，造成了真實(shí)目標(biāo)的漏檢，本文提出的BE-MVT算法既保留了微弱目標(biāo)的像素尖峰，同時(shí)也

【參考文獻(xiàn)】：
期刊論文
[1]基于多尺度特征融合的單目圖像深度估計(jì)[J]. 王泉德,張松濤.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(05)
[2]復(fù)雜背景下的紅外圖像弱小目標(biāo)檢測(cè)[J]. 陳綿書(shū),孫聞晞,李夢(mèng)瑩,趙巖.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2020(06)
[3]深度學(xué)習(xí)在圖像識(shí)別中的應(yīng)用研究綜述[J]. 鄭遠(yuǎn)攀,李廣陽(yáng),李曄.  計(jì)算機(jī)工程與應(yīng)用. 2019(12)
[4]嚴(yán)重方位模糊下的合成孔徑雷達(dá)微弱運(yùn)動(dòng)目標(biāo)聚焦與參數(shù)估計(jì)方法[J]. 萬(wàn)俊,周宇,張林讓,陳展野.  西安交通大學(xué)學(xué)報(bào). 2019(06)
[5]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)
[6]海天背景下的紅外小目標(biāo)檢測(cè)與跟蹤[J]. 廖延娜,胡雪敏,吳成茂.  西安郵電大學(xué)學(xué)報(bào). 2018(06)
[7]基于多特征融合與雙向RNN的細(xì)粒度意見(jiàn)分析[J]. 郝志峰,黃浩,蔡瑞初,溫雯.  計(jì)算機(jī)工程. 2018(07)
[8]一種基于遺傳算法的改進(jìn)粒子濾波器[J]. 蔡登禹,劉以安.  計(jì)算機(jī)仿真. 2018(07)
[9]基于自學(xué)習(xí)深度卷積神經(jīng)網(wǎng)絡(luò)的姿態(tài)變化人臉識(shí)別[J]. 鄒國(guó)鋒,傅桂霞,高明亮,尹麗菊,王科俊.  小型微型計(jì)算機(jī)系統(tǒng). 2018(06)
[10]基于條件深度卷積生成對(duì)抗網(wǎng)絡(luò)的圖像識(shí)別方法[J]. 唐賢倫,杜一銘,劉雨微,李佳歆,馬藝瑋.  自動(dòng)化學(xué)報(bào). 2018(05)

博士論文
[1]空中平臺(tái)大視場(chǎng)紅外小目標(biāo)實(shí)時(shí)探測(cè)技術(shù)研究[D]. 劉源.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院上海技術(shù)物理研究所) 2017
[2]基于人類(lèi)視覺(jué)特性的復(fù)雜背景紅外小目標(biāo)檢測(cè)研究[D]. 韓金輝.華中科技大學(xué) 2016
[3]邊緣檢測(cè)及其評(píng)價(jià)方法的研究[D]. 磨少清.天津大學(xué) 2011

碩士論文
[1]基于機(jī)器視覺(jué)的彩鋼板表面缺陷檢測(cè)與分類(lèi)技術(shù)研究[D]. 吳秀東.山東理工大學(xué) 2019
[2]瓷磚表面質(zhì)量視覺(jué)檢測(cè)技術(shù)研究[D]. 高倩倩.山東理工大學(xué) 2018
[3]基于深度學(xué)習(xí)的人臉識(shí)別算法研究[D]. 馬良慧.山東理工大學(xué) 2017
[4]基于高波卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法研究[D]. 陳耀丹.東北師范大學(xué) 2016



本文編號(hào)：3384590