一、舰船红外图像实时识别方法研究（论文文献综述）
谢晓方,刘厚君,张龙杰,孙涛,张龙云[1]（2021）在《融合轻量级YOLOv4与KCF算法的红外舰船目标识别》文中认为红外舰船目标识别在反舰导弹成像制导过程中起到十分关键的作用。针对如何在复杂环境下准确识别出红外舰船目标,提出了一种融合轻量级YOLOv4与KCF算法的红外舰船目标识别方法。识别过程中并行运行YOLOv4目标检测线程与KCF多目标跟踪线程,比较两者所得目标框的置信度,选取置信度高的作为最终的目标识别结果。设计对比试验将本研究方法与传统的目标跟踪算法meanshift、CSRT以及基于深度学习的跟踪算法center Track进行了对比。对比结果表明:综合考虑检测精度、跟踪稳定性和实时性因素,本研究方法对舰船的目标识别效果最好,能够在保证目标检测准确率的同时,对舰船目标进行稳定持续的跟踪,具有较强的鲁棒性和实时性,适合复杂背景条件下的舰船红外目标识别。
张玉莲[2]（2021）在《光学图像海面舰船目标智能检测与识别方法研究》文中研究说明海上目标智能检测及识别是海战场态势评估和威胁估计的基础,光学遥感图像海面舰船目标智能检测与识别的核心任务是判断图像中是否存在舰船目标,并对舰船目标进行检测、识别和定位,它在渔业管理、海上救援、海域交通监控以及海战场态势感知等领域具有广阔的应用前景。然而,由于航空图像数据量大且易受海面情况、天气条件、光照条件及成像探测器参数等多种因素的影响,海面上存在雾气、海杂波、云层等自然环境的干扰,使得图像画面模糊不清,图像的信噪比很低,海面环境干扰的时变性也给背景噪声的抑制带来困难,环境干扰容易造成舰船目标的虚警和漏检;航空图像的拍摄距离远,目标只占整幅图像的很小部分,识别尺度小、特征少的海面舰船目标存在困难;不同拍摄视角、不同的拍摄距离、不同舰船朝向使得航空图像中的舰船目标存在尺度多变性和旋转多变性,对检测识别结果的准确率有较大影响。论文针对机载光电侦察系统在工作过程中依赖操作手根据显示图像人工判读舰船目标,导致判读速度慢,易受主观因素影响的现状,以提高海面侦察情报处理的智能化水平为目标,围绕光学遥感图像中的舰船目标智能检测与识别问题,开展舰船目标特征提取、特征融合、目标检测识别等关键技术研究,实现对海面舰船目标高精度检测与识别,提高舰船识别概率及准确率,为海上目标态势感知提供依据,本文的主要研究内容如下:1.为了提高遥感图像中舰船目标检测识别的准确率,进行数据预处理方法研究。航空侦察所获得舰船图像数据有限,采用仿射变换改变卫星遥感图像中舰船目标视角,弥补军用场景下航空舰船目标样本不足的问题,提高舰船检测识别的准确率;大气吸收和散射影响光学系统获取的遥感图像的对比度和清晰度,采用基于暗通道先验的理论对海面场景下的遥感图像进行大气校正,降低了大气中水汽和颗粒对光线的吸收和散射对遥感图像质量的影响,进一步提高了遥感图像中舰船目标检测识别的准确率。2.为了提高单阶段目标检测器对于舰船目标检测与识别的准确率,提出了一种改进YOLOv3模型的舰船目标检测识别算法,对于舰船目标检测识别中目标尺寸小、尺度变化大的问题,改进了IOU阈值的设计,提高了舰船目标检测的召回率;对于舰船目标在图像中姿态变化大的特点,采用多图像混合数据增强和舰船目标角度均衡分布方法对模型进一步优化,有效地提高了舰船目标检测识别的精度。经过实验验证,该算法对舰船目标的检测识别取得了很好的效果。3.基于卷积特征融合的遥感图像中舰船目标检测识别的网络模型研究。为了提高对多尺度舰船目标检测识别的准确率,设计了卷积特征融合的目标检测识别网络结构,通过卷积神经网络中不同层次特征图的融合,联合了网络深层的语义信息与网络浅层的细粒度信息,并且将多个尺度的融合特征图用于舰船目标检测和识别,提高了对大、中、小不同尺度的舰船检测识别的适应性;进一步结合锚框设计,提高了舰船目标检测识别准确率,尤其增强了遥感图像中远距离拍摄时的小尺度舰船目标的检测识别效果;为了提高模型的实时性,采用剪枝策略对模型进行压缩,降低了模型所需的存储空间,提高了模型的检测速度。综上所述,论文对光学遥感图像海面舰船目标智能检测与识别中存在的难点进行分析,对相关理论进行了研究,基于深度学习的卷积神经网络模型,搭建了适用于海面舰船目标检测识别的深度学习框架,取得了一定的研究成果。论文的研究成果为光学遥感图像中的舰船目标智能检测与识别技术提供了理论基础,具有借鉴意义。
何健[3]（2020）在《面向可见光遥感图像的海上目标快速检测和识别技术》文中认为近年来,随着遥感探测技术的飞速发展,为海上目标检测和识别提供了多种多样的样本数据,遥感图像在军用和民用领域的应用范围日趋广泛。本文根据实际需要,为了监控和管制重点海域的港口区域的舰船流动以及海面舰船分布的情况,将海上目标识别分为了港口区域的检测和舰船目标的识别。之后围绕可见光遥感图像中的港口和舰船目标的自动检测和识别问题,在港口检测部分研究了边缘处理、特征提取和目标检测,在舰船识别部分研究了显着性检测、目标分类等关键技术,在此基础上分别设计了具有高检测精度、低虚警率的港口和海面舰船目标的自动检测和识别方法,提高了遥感图像海上目标检测和识别技术的效率和实时性。本文的主要研究内容归纳如下:1.介绍了可见光遥感图像下的港口和舰船目标检测和识别的基本原理,详细分析了港口和舰船目标的形状、颜色、纹理等主要特征,为海上目标检测和识别算法的研究提供了理论的依据。分别总结了现有的港口和舰船目标检测和识别算法,分析了各类算法的优缺点,并详细介绍了本文的检测和识别算法的关键技术的基本理论。2.提出了基于边缘保持算法的遥感图像处理技术,可以有效的降低港口图像的背景干扰。在包含港口的遥感图像中,由于靠近海岸线,因此会存在很多人造建筑以及海岸附近的自然风貌,这些复杂地貌会干扰港口目标的特征提取。通过实验评估,本文提出的边缘保持算法可以有效的剔除这些复杂、无用的背景信息,并能够有效的保留关键的边缘信息,提高了特征提取和目标识别的检测精度。3.提出了基于边缘分类的SIFT特征提取算法,能有效的减少非边缘类特征的提取,鉴于港口目标的特征属于明显的边缘类特征,因此本文设计的算法可以将提取的特征更多的集中在关键特征点上,降低了港口目标识别的误匹配率;4.提出了基于超复数傅里叶变换的显着性检测模型,可以快速搜索到与当前任务要求相关的信息。本文讨论了视觉显着性模型的研究价值及在目标检测领域内的应用现状,同时分别对显着目标检测等视觉显着性模型的构建、及其在可见光遥感图像舰船目标检测中的应用展开深入研究,设计了基于改进的超复数傅里叶变换显着性模型来定位海上舰船目标区域,更有效的抑制了海上出现的云雾,海杂波等背景干扰。5.提出了基于迁移学习的Res Net模型用来识别显着性检测后提取出来的舰船目标,这不仅解决了当CNN网络层数过深的时候出现的梯度消失、梯度退化等问题,基于迁移学习的方案可以用少量的舰船样本数据就能够训练CNN模型,并且实现更高精度的舰船目标分类。综上所述,本文对可见光遥感图像海上目标自动检测与识别领域面临的问题和挑战所涉及的相关理论进行了分析,针对港口区域的目标特征检测、感兴趣区域提取、目标检测,以及舰船目标的显着性模型、目标检测和识别等关键技术问题进行了研究,取得了一定的成果。本文相关成果可为航天航空领域可见光遥感图像的港口和舰船目标自动检测与识别技术提供理论基础与算法支持,具有借鉴意义。
王洁[4]（2020）在《基于生成对抗网络的舰船目标多源融合识别方法》文中认为随着海军舰艇在现代军事、经济的地位提升,针对舰船目标的识别技术的研究也变得越来越重要。海洋舰船目标探测的手段多种多样,主要包括光学成像,红外成像,雷达成像等。舰船多源成像的融合识别也成为了研究热点。在实际情况中,获取的多源成像会受到外部条件影响,和自身传感器限制,导致成像效果较差。例如:光学图像分辨率较高,但是容易受到光源和天气、气候的影响,存在部分信息缺失的情况。而ISAR等雷达成像虽然分辨率较低,但是能够实现主动探测,且其分辨特性不受距离的影响,能全天时全天候的工作。而红外成像的分辨率一般介于两者之间,是被动成像系统,并且也能实现全天时全天候的成像工作。基于这三种图像互补且异构的信息,可以进行多源图像融合识别。本文是基于相同时空的舰船目标多源图像融合识别这一问题展开研究,期望使用生成对抗网络（GAN）将已有部分信息（舰船ISAR像,有雾的光学图像和红外图像）来生成高分辨图像信息（光学图像）,并进行图像融合,从而达到改善舰船目标识别效果的要求。主要内容包括:首先,本课题为了训练和测试生成对抗网络,需要获得舰船光学图像,ISAR图像和红外图像数据集,为了获得观测角度统一的多源成像,采取了成像仿真的方式,通过建立舰船的3D模型并进行网格剖分,利用算法来进行舰船成像仿真,最后进行图像预处理,构建图像数据集。其次以生成对抗网络为切入点,利用改进的GAN改善舰船图像质量,主要包括三种算法:舰船目标的光学成像受到云雾遮挡,造成舰船图像的部分信息缺失等问题。Pix2pix网络可以通过训练有云雾遮挡的信息缺失的光学图像,生成无雾图像来改善光学图像的质量,提高舰船目标识别率;基于光学图像和ISAR图像具有互补且异构信息,实际获取的舰船图像存在着角度不匹配的问题,使用Cycle GAN网络来解决舰船异质图像的转换融合问题,并且可以缓解小角度扰动带来的影响。而Pix2pix HD网络是基于Pix2pix改进的算法,不仅有效提高了生成图像的分辨率,而且还可以增加局部生成器来得到期望分辨率的高清图像,因此使用该网络将低分辨的红外图像生成高分辨舰船光学图像。最后为了进一步提取舰船多源图像的特征,去除图像的冗余信息,采用了基于小波变换的舰船多源融合算法,生成新的图像。为判断基于生成对抗网络生成的图像质量,使用改进卷积神经网络（CNN）自动提取特征,并将GAN输入图像和生成图像,融合图像,输入到网络中,通过分析舰船类别和舰船具体型号对比分析识别效果。实验结果表明利用本课题的方法不仅可以自动进行多源融合,减少手动提取的特征所耗费的人力物力,还可以有效的改善舰船目标的识别效果。
周安然[5]（2020）在《海上红外图像广义傅里叶域滤波及背景建模的目标检测方法研究》文中研究说明海上红外目标检测作为海洋图像分析的核心技术之一,在海洋智能化防卫上有着重要的应用,已成为计算机视觉领域的研究热点和重要分支。尽管在红外目标检测领域,人们已提出大量的检测算法,但海上红外目标检测仍然充满挑战。由于海浪的运动性及时间方向上海波形态、亮度的差异性,局部空间内海波灰度分布的差异性,以及风速、光照变化、摄像机抖动、天气等因素的存在,加之目标材质、大小及数目的多样性,使得海上红外目标的准确检测变得困难。本文围绕如何较彻底的抑制海杂波及完整提取目标的方向,针对海上红外图像及海上红外序列图像的目标检测两个方面,取得如下创新性的研究成果:（1）针对海上红外图像目标检测中海面波动剧烈、局部对比度显着,但全局对比度较低等难点,提出了一种分数傅里叶域内高阶统计量滤波的海上红外目标检测算法,该算法对海浪波动剧烈场景下的目标具有较高的检测性能。分析了海上红外图像在列方向不同分数傅里叶变换角度下目标幅度谱和海水幅度谱的重叠比例,确定了最佳的变换角度范围。为了区分纯海水频率点和非纯海水频率点的分数域幅度谱序列,提出了一种新的高阶统计量。定义了图像在每个频率点处分数域幅度谱的最大显着度,并证明了图像高阶统计量曲线的最大峰值区间恰为目标幅度谱所在区间,而最大峰值区间以外的值对应为海杂波幅度谱并迅速衰减至0。将此最大峰值区间作为分数傅里叶域内理想带通滤波器的通带范围,可准确快速的提取目标幅度谱范围,而抑制大量的海杂波。实验结果表明,所提出的滤波算法在海浪大、目标小的情况下能准确的检测出目标,并较彻底的抑制海水。（2）分数傅里叶域内高阶统计量滤波法能准确提取目标所在的局部区域,但对局部区域内目标较暗弱的情形易造成船体检测不完整,对多目标情形易造成漏检。针对此局限性,提出了海上红外序列图像傅里叶域内基于海水分类的自适应单高斯背景建模的目标检测算法,该算法对海杂波干扰严重和低对比度场景下的暗弱目标具有较优的检测性能。通过分析海上红外序列图像的幅度谱序列在统计意义上的稳定性和可分性,确定了最佳的傅里叶变换方向。在对测试帧的幅度谱进行初次高斯判别的同时,对测试帧在一个较小时间窗口内的幅度谱序列的波动性进行了度量。根据初次高斯判决的二值结果和图像的频域波动性度量,设定了综合目标判别标志位,可将检测结果细分为目标、波动显着的海水及平静的海水。根据此分类结果,设置了基于每类的自适应的高斯判别系数,对测试帧幅度谱进行了二次高斯判别。设计了傅里叶域的熵值滤波器,熵值滤波结果可进一步增强目标和海水的对比度。实验结果表明,该算法对剧烈波动的海水及暗弱目标的场景具有较优的检测效果。（3）针对傅里叶域内基于海水分类的自适应单高斯背景建模检测法参数调整较难且复杂度稍大的缺点,提出了海上红外序列图像傅里叶域内混合高斯背景建模的目标检测算法,该算法对目标灰度分布不均匀的场景具有较优的检测性能。分析了多数海场景的幅度谱序列具有多模态分布特性,将每个频率点在时间方向的幅度谱序列用混合高斯分布来描述。将测试帧的幅度谱和背景模型里的每个高斯分布分别进行匹配,根据匹配结果,对相应高斯分布的参数及权重分别进行更新。将更新后的高斯分布进行排序,根据测试帧和高斯分布的匹配次序是否出现在指定数目的高斯分布范围内,将频率点划分为背景频率点及前景频率点。实验结果表明,该算法对波动显着海背景下的灰度分布不均匀的目标具有较优的检测性能。（4）针对突然出现且持续存在一段时间的较亮浪花不易和目标区分的难点,提出了海上红外序列图像傅里叶域多特征融合的背景建模的目标检测算法,该算法能有效抑制突然并持续出现的较亮海浪,准确的提取目标。深入分析了海水和目标在傅里叶域内的特征的差异性,提出了能有效区分目标和海水的多特征,即背景减除特征、测试帧幅度谱和更新背景的线性相关特征及测试帧幅度谱在局部时空窗口内的振荡快慢特征,验证了在傅里叶域内提取有效分离海水和目标的特征比空域中具有更强的科学性和可分性。其中,背景减除特征通过比较测试帧幅度谱和更新背景的局部统计特性的差异,进行前景频率点的提取,且前景提取的阈值根据不同的海水波动程度而设定。对前后两测试帧有无突变浪花出现的情形,采用两种不同的策略对背景参数进行更新。根据不同海场景波动的剧烈程度,对每种特征自适应的赋予了权重,并以合理的策略融合起来,融合后的特征能更有效的分离目标和海水。实验结果表明,该算法对多种海场景有较好的适用性,在突然并持续出现的较亮海浪的干扰下,具有较优的检测性能。针对海上红外图像目标的成像特点,本文在广义傅里叶域中对目标的检测问题进行了较为深入的研究,取得了多项具有创新性的成果。本文工作对海上红外成像目标检测理论的发展和完善具有较大参考价值。
王文秀[6]（2019）在《红外遥感图像舰船目标在线检测关键技术研究》文中研究表明高效的遥感信息在轨处理技术对扩展遥感应用范围、提高遥感应用效率有重要的意义。本文研究高分辨率空间红外成像遥感的目标在线检测技术,属于前沿性的工作。论文的主要工作和创新点包括:1)课题调研和分析舰船的成像机理、成像特性、海面温度分布与变化,并分析探测器波段、成像方式及灵敏度的需求。在此基础上,研制数据采集子系统,解决算法验证的数据源问题。针对获取数据的特点,提出了从图像预处理到在线目标检测的完整处理流程和硬件框架。2)图像预处理方面,开展了提升图像质量的非均匀性校正和盲元处理技术研究。提出一种基于曲率正则化的红外条纹非均匀性校正方法,从正则化角度出发,引入改进的曲率正则项,高效去除图像中的条纹非均匀性。针对盲元噪声,提出一种改进的方向信息测度非线性扩散的方法,在方向信息测度非线性扩散模型的基础上,利用置信度概念实现更精确检测,有效去除噪声的同时,保留更多的细节信息。3)舰船目标检测方面,分别对基于传统、基于深度学习的舰船检测方法深入研究。针对传统方法,论文提出一种基于显着性的红外遥感图像舰船目标检测方法,结合显着性与稳定性因素保留合理的候选区域,实现了舰船目标的有效检测。基于深度学习方法中,首次提出一种轻量级编码-解码结构的舰船检测网络,结合二值神经网络与语义分割网络的优点,降低存储及运算资源的消耗的同时,实现实时、可靠的检测。过程中,研究了图像质量对检测效果的影响,为算法的工程实用化奠定基础。4)软硬件在线实现方面,针对未来的工程应用需求,开展基于低功耗硬件平台的算法实现工作。设计了硬件整体框架,分析检测方法硬件实现的资源需求,并完成了基于轻量级编码-解码网络的嵌入式软件开发,实现了目标检测的功能,验证了检测方法的有效性及在线实现的可行性。本课题是天基高分辨率成像遥感在轨目标检测的前期探索,对空间红外遥感的在轨舰船实时检测的流程、算法及软硬件实现等关键技术开展研究,初步验证了可行性,有重要的学术及应用价值,为后续工程应用打下基础。
石桂名[7]（2019）在《海上舰船目标检测方法研究》文中进行了进一步梳理近年来伴随科学技术的快速发展,全球范围内的海洋战略愈演愈烈,海洋已经成为各国军事方面的必争之地和全球商贸的重要渠道。目前,由于各国海上军事活动的频繁发生和海上运输量的不断攀升,随之而来的是海上通航环境日益复杂,海上交通安全事故频繁发生。随着传感器技术和视频技术的不断发展,利用视频手段对海上目标进行实时监测具有重要的现实意义和应用价值。目前,海上视频监控系统的发展还是处于起步阶段,主要是由于海面复杂的环境和舰船目标的诸多不确定性限制。现阶段海上舰船目标检测面临的难点就是在复杂多变的海上环境下,能够实时、准确的检测目标,为后续进行舰船目标的识别、分类、跟踪的奠定重要基础。本文对海上视频图像中舰船目标检测方法进行了深入研究,提出了三种适应海上环境和舰船目标特点的目标检测算法,完成的主要研究工作如下:为了验证本文中的舰船目标检测方法,制作了海上舰船目标数据集,并根据实验需求对数据集进行分类。针对海上存在波浪噪声的情况,提出了一种Canny算子的改进算法。该算法利用复合形态学滤波能够很好的抑制海面波浪噪声,同时保留更多的舰船目标边缘信息,利用Otsu自适应阈值方法对阈值进行自适应设定,引入数学形态学算法对目标边缘进行后处理。实验证明,该算法可以提高舰船目标边缘信息检测的准确性。针对航行过程中舰船目标尺度和角度变化的情况,提出了基于边缘特征的多尺度Harris-Laplace角点检测改进算法。该算法在改进的Canny算法提取舰船边缘信息的基础上,采用改进的多尺度Harris-Laplace算法提取舰船目标的角点,选用改进的Graham算法对舰船目标进行凸包提取。实验证明,该算法提高了舰船目标角点提取、舰船目标检测的准确性和实时性。针对海上波浪噪声和云雾天气的情况,提出了一种融合帧间差分法和改进ViBe算法的舰船目标检测算法（ViBeDiff5）。该算法利用基于边缘特征的五帧差法获得舰船目标运动区域;同时在背景模型初始化和更新等方面对ViBe算法进行改进,可以获得更加准确的背景模型;将这两种方法相结合可以得到更为准确、完整的舰船目标的信息,能够快速消除“鬼影”的同时极大程度的抑制了海上各种噪声,从而提高舰船目标检测的准确性和鲁棒性;最后在舰船目标检测结果的二值图像上通过最小外接矩形来提取舰船目标。实验证明,该算法可以提高舰船目标定位的准确性。针对海上雾天小目标辨识度不高的情况,提出了一种基于改进视觉注意模型的舰船目标检测算法。该算法利用Otsu法和Hough变换提取海天线,划定海天区域作为舰船目标提取范围;在经典Itti模型的基础上进行改进,利用小波变换方法提取高频和低频特征,采用改进的Gabor滤波器和DMT分别得到方向特征和边缘纹理特征,在HSI色彩空间下提取颜色特征和运动特征;最后将各特征图通过加权线性融合得到显着图,进而分割出舰船目标区域。实验证明,该算法可以提高舰船目标检测的准确性、降低冗余度,特别是在雾天小目标的情况下仍然表现出较强的适应性。
刘路民根[8]（2019）在《基于学习的红外目标检测算法研究及应用》文中研究表明随着计算机视觉技术的日益发展,目标检测作为计算机视觉的基础课题之一,越来越受到研究人员的重视。现实生活中,由于背景辐射、干扰物体等因素的影响,红外图像中目标特征发生很大变化,给目标检测带来巨大挑战。针对泄漏气体和固定翼飞行器两种红外目标检测存在的主要问题,本文研究了基于学习的红外目标检测方法。针对化工生产中,因环境、运动物体等干扰,导致泄漏气体检测精度低的问题,研究了一种基于学习的红外泄漏气体目标检测的方法。本文首先通过合适的背景建模方法,提取了泄漏视频中的疑似泄漏区域,并用连通域分析进行了去噪。然后选取了泄漏气体的形状特征进行提取,使用机器学习中的支持向量机分类器（SVC）训练出模型,检测时使用该模型进行分类,从而实现泄漏气体的检测,最后进行了对比实验。针对安保工作中,因飞行器速度快、姿态改变等因素,导致红外图像中固定翼飞行器要害点检测精度低、速度慢问题,研究了基于学习的固定翼飞行器要害点检测跟踪方法。本文提出了基于SVC/SVR的检测跟踪改进算法。基于SVC+KCF的检测跟踪方法,检测模块首先通过图像分割等方法提取出固定翼飞行器区域,然后选取固定翼飞行器特征进行提取,接着使用SVC进行固定翼飞行器飞行朝向判断,再根据朝向进行要害点定位,跟踪模块使用KCF算法。基于SVR+KCF的检测跟踪方法,检测模块使用SVR直接由固定翼飞行器特征得到要害点坐标,跟踪模块不变。最后进行了对比实验。使用3段不同环境的红外视频对基于学习的泄漏气体检测方法进行测试,结果表明,该方法可以达到最高98%的检测率,相比于基于纹理特征和Adaboost方法具有更优的性能。由此可见,该泄漏气体检测方法应用在化工泄漏气体检测中具有优势。使用3段固定翼飞行器红外视频对基于学习的固定翼飞行器要害点检测方法进行测试,结果表明,SVC+KCF方法,精度86.18%,误差均值为21.70,帧率为39.78帧/秒,在精度一定的情况下,速度较快,SVR+KCF方法,精度96.77%,误差均值为7.93,帧率为25.34帧/秒,保证了一定的实时性,且准确率较高。本文方法应用在红外图像中的固定翼飞行器要害点检测中具有优势。
李邦邦[9]（2019）在《多视点舰船红外图像仿真与识别》文中研究说明红外成像技术广泛应用于军事和民用领域,长期以来得到各个国家的重视。在军事领域中,由于诸多特殊条件的限制,我们无法直接获取大量的红外图像数据,然而计算机技术的发展使得人们通过计算机进行红外图像仿真成为可能。在本文的舰船红外图像检测与识别任务中,现阶段缺乏大量的实测舰船红外图像,因此必须通过红外图像仿真获取舰船的红外图像,为后续的检测识别提供数据支持。本文利用SE-Workbench红外图像仿真软件对舰船进行了多视点红外图像仿真。首先通过Multigen Creator软件建立舰船的三维模型,利用SE-Workbench红外图像仿真软件建立舰船表面的温度场模型和场景的大气热模型,针对舰船进行了多视点红外图像仿真,建立了完备的多视点舰船红外图像数据库。但是,传统的红外图像仿真方法依赖于目标场景三维模型、目标表面的温度场模型以及OpenGL图形学渲染,因此仿真成本较高且流程复杂繁琐,耗费时间。为了提高仿真的效率,本文研究了基于生成对抗网络的红外图像仿真方法。首先利用条件生成对抗网络在配对的舰船可见光和红外图像数据集上,实现舰船可见光图像仿真生成对应的红外图像。进一步,针对配对的图像数据集难以获取的问题,本文提出了基于循环生成对抗网络的红外图像仿真方法,并推广到复杂地面场景的红外图像仿真。该方法利用了大量无配对的自然场景可见光和红外图像数据集,实现了复杂地面场景的可见光图像向对应的红外中波图像的转换。在建立的多视点舰船红外图像数据库的基础上,本文开展了基于多视点图像协同检测识别方法的研究。在检测方面,利用协同分割建模多视点图像的共形互补信息,实现了多视点图像序列中舰船的检测;在检测结果的基础上,本文利用联合稀疏表示挖掘视点间的关联信息,提升了多视点舰船的识别率。最终本文设计并实现了多视点舰船协同检测—识别一体化软件。
朱顺隆[10]（2019）在《空基图谱关联探测系统研究与设计》文中指出现有的目标侦查/探测红外系统主要有:红外成像探测系统、成像光谱系统。红外成像探测系统在目标识别方面存在不足,特别是在目标形状大小相似的情况下,且在远距离、低分辨率条件下的探测效果也不理想;成像光谱系统对整个场景进行光谱成像,获取的高光谱数据无用信息量多,数据冗余量大,且不适合测量动目标的红外光谱。所在课题组研制的三套地基图谱关联探测系统采用共口径共光路的设计,可以在红外成像的同时,通过扫描捕获目标并对目标进行跟踪精准测谱。本文在此基础上,针对图谱关联探测系统应用于空基载荷的轻小型化、空基环境恶劣等问题,开展了空基图谱关联探测系统的设计与研究,并分析了图谱关联探测系统的性能。为了给图谱融合探测识别提供理论支撑和数据验证,本文还提出了典型目标红外图像/光谱的仿真方法。首先,本文开展了应用于空基载荷的图谱关联探测系统设计研究。针对空基载荷应用条件,分别从外形、结构组成、光学头罩、伺服机构、减振系统、热温控等方面进行了研究。其次,本文开展了图谱关联探测系统性能分析研究。提出成像探测距离计算模型和光谱探测距离计算模型,通过计算红外成像探测信噪比、光谱探测信噪比,从而得出图谱关联探测系统的探测距离,并和实测的数据进行了对比验证。还提出了图谱融合探测识别真假目标的方法流程,其中包括利用光谱数据反演目标亮温和发射率的方法,并利用实测光谱数据给出了反演结果。最后,本文针对现有公开的图谱数据稀少,提出了红外图像/光谱仿真的方法。具体为:几何建模、温度场计算、大气模型的建立、目标像方辐射计算及图像灰度量化。对比分析飞机舰船目标的仿真结果以及实测数据可发现本文的仿真方法简单有效且可信度较高。
二、舰船红外图像实时识别方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、舰船红外图像实时识别方法研究（论文提纲范文）
（1）融合轻量级YOLOv4与KCF算法的红外舰船目标识别（论文提纲范文）
| 1 融合检测与跟踪算法的目标识别 |
| 1.1 轻量级YOLOv4目标检测算法 |
| 1.2 KCF算法 |
| 1.3 检测跟踪 |
| 2 实验与分析 |
| 2.1 实验平台环境 |
| 2.2 红外图像数据集 |
| 2.3 目标检测网络训练 |
| 2.4 评价指标 |
| 2.5舰船目标识别结果及分析 |
| 3 结论 |
（2）光学图像海面舰船目标智能检测与识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1 章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 遥感图像舰船目标检测与识别研究现状 |
| 1.2.1 传统舰船检测与识别方法研究现状分析 |
| 1.2.2 基于深度学习的舰船目标检测识别方法研究现状分析 |
| 1.3 遥感图像舰船目标检测识别难点 |
| 1.3.1 复杂环境背景干扰 |
| 1.3.2 舰船目标特性在遥感图像中呈现多变性 |
| 1.4 本文的主要研究内容及章节安排 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 章节安排 |
| 第2 章 光学遥感图像目标检测识别深度学习网络理论 |
| 2.1 引言 |
| 2.2 神经网络的数学模型 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络的结构 |
| 2.3.2 卷积运算和权重共享机制 |
| 2.3.3 池化层和感受野 |
| 2.4 图像处理领域经典网络架构 |
| 2.5 激活函数类型 |
| 2.6 优化算法 |
| 2.6.1 随机梯度下降法 |
| 2.6.2 Nesterov加速梯度下降法 |
| 2.6.3 Adagrad优化器 |
| 2.6.4 RMSprop优化器 |
| 2.6.5 Adam优化器 |
| 2.7 本章小结 |
| 第3 章 海面舰船目标数据集及数据预处理 |
| 3.1 引言 |
| 3.2 海面舰船目标数据集构建 |
| 3.3 数据预处理 |
| 3.3.1 数据增广 |
| 3.3.2 仿射变换 |
| 3.4 大气校正 |
| 3.4.1 大气吸收与散射影响分析 |
| 3.4.2 大气校正模型 |
| 3.4.3 大气校正的实验结果和讨论 |
| 3.5 本章小结 |
| 第4 章 舰船目标检测与识别深度学习框架 |
| 4.1 引言 |
| 4.2 传统基于机器学习的目标检测技术分析 |
| 4.3 基于卷积神经网络的目标检测识别模型 |
| 4.3.1 两阶段目标检测器 |
| 4.3.2 单阶段目标检测器 |
| 4.4 改进YOLOv3 模型的舰船检测识别算法 |
| 4.4.1 舰船目标的IOU阈值选择方法 |
| 4.4.2 图像融合与目标方向均衡分布 |
| 4.4.3 基于迁移学习的改进YOLOv3 舰船目标检测识别算法训练 |
| 4.5 目标检测识别评价指标 |
| 4.6 实验结果及分析 |
| 4.7 本章小结 |
| 第5 章 基于多层卷积特征融合的舰船目标检测识别方法 |
| 5.1 引言 |
| 5.2 网络总体架构设计 |
| 5.3 特征提取网络设计 |
| 5.4 卷积特征融合方法 |
| 5.5 非极大值抑制改进 |
| 5.6 损失函数设计 |
| 5.7 网络模型剪枝设计 |
| 5.8 实验结果及分析 |
| 5.8.1 海面舰船目标数据集上的准确率和召回率分析 |
| 5.8.2 与其他目标检测识别模型的性能比较 |
| 5.8.3 网络模型剪枝分析 |
| 5.8.4 数据预处理效果分析 |
| 5.8.5 不同图像尺度的性能对比 |
| 5.9 本章小结 |
| 第6 章 舰船目标检测识别硬件系统 |
| 6.1 引言 |
| 6.2 硬件平台架构 |
| 6.3 硬件平台舰船目标检测识别方案 |
| 6.4 硬件平台实验结果 |
| 6.5 本章小结 |
| 第7 章 总结与展望 |
| 7.1 论文主要研究工作 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）面向可见光遥感图像的海上目标快速检测和识别技术（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 遥感图像海上目标检测技术的研究现状 |
| 1.2.1 基于合成孔径雷达的遥感图像海上目标检测和识别 |
| 1.2.2 基于红外图像的遥感图像海上目标检测和识别 |
| 1.2.3 基于可见光的遥感图像海上目标检测和识别 |
| 1.2.4 遥感图像海上目标检测算法的总结 |
| 1.3 可见光遥感图像海上目标分类 |
| 1.3.1 可见光遥感图像下的海上港口目标 |
| 1.3.2 可见光遥感图像下的海上舰船目标 |
| 1.4 论文主要研究内容和结构 |
| 第2章 可见光海上目标检测和识别的基本问题和关键技术 |
| 2.1 引言 |
| 2.2 可见光下的海上目标的基本特点和关键问题研究 |
| 2.2.1 可见光遥感图像下的海上目标 |
| 2.2.2 可见光遥感图像海上目标检测和识别技术的关键问题研究 |
| 2.3 现有的可见光遥感图像下的海上目标检测和识别算法 |
| 2.3.1 可见光遥感图像下的港口目标检测 |
| 2.3.2 可见光遥感图像下的海上舰船目标识别 |
| 2.4 可见光遥感图像下海上目标检测和识别的关键算法 |
| 2.4.1 基于SIFT的特征提取算法 |
| 2.4.2 基于视觉显着性模型的检测算法 |
| 2.4.3 基于深度学习的目标识别算法 |
| 2.5 本章小结 |
| 第3章 基于SIFT+SVM的可见光港口目标检测 |
| 3.1 引言 |
| 3.2 基于SIFT的港口目标检测算法流程 |
| 3.3 基于LEPA的图像边缘优化算法 |
| 3.3.1 港口目标检测算法的预处理 |
| 3.3.2 基于LEPA的图像处理方法 |
| 3.4 基于EC-SIFT的特征提取算法 |
| 3.5 港口候选区域的提取算法 |
| 3.6 本章小结 |
| 第4章 基于视觉显着性和ResNet的可见光舰船目标识别 |
| 4.1 引言 |
| 4.2 基于视觉显着性的舰船目标检测 |
| 4.2.1 颜色空间的选择 |
| 4.2.2 基于MHFT的显着性检测模型 |
| 4.2.3 基于MHFT的显着性检测结果 |
| 4.3 基于CNN的舰船目标识别算法 |
| 4.3.1 潜在舰船区域目标预提取 |
| 4.3.2 基于神经网络的深度学习方法 |
| 4.3.3 基于ResNet的舰船目标识别 |
| 4.4 本章小结 |
| 第5章 港口及舰船目标检测和识别算法验证 |
| 5.1 引言 |
| 5.2 基于SVM分类器的港口目标检测 |
| 5.2.1 SVM算法架构 |
| 5.2.2 港口目标检测 |
| 5.2.3 港口目标检测结果分析 |
| 5.3 舰船目标识别实验结果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）基于生成对抗网络的舰船目标多源融合识别方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外相关领域的研究现状 |
| 1.2.1 单一手段舰船目标识别研究现状 |
| 1.2.2 多源舰船目标融合算法研究现状 |
| 1.2.3 生成对抗网络的的研究现状 |
| 1.3 本文研究内容 |
| 第2章 舰船多源成像基础 |
| 2.1 引言 |
| 2.2 逆孔径合成雷达成像仿真 |
| 2.2.1 舰船目标转动模型 |
| 2.2.2 距离多普勒成像算法 |
| 2.2.3 舰船目标ISAR成像仿真 |
| 2.3 舰船红外成像仿真 |
| 2.3.1 舰船红外成像仿真原理 |
| 2.3.2 舰船红外成像仿真结果 |
| 2.4 舰船光学成像仿真 |
| 2.4.1 光学成像仿真原理 |
| 2.4.2 光学成像仿真结果 |
| 2.5 舰船多源图像预处理 |
| 2.6 本章小结 |
| 第3章 基于信息缺失的图像重构算法 |
| 3.1 引言 |
| 3.2 生成对抗网络基础 |
| 3.2.1 生成对抗网络结构 |
| 3.2.2 生成对抗网络损失函数 |
| 3.2.3 网络中卷积与池化操作 |
| 3.3 基于Pix2pix的图像重构算法 |
| 3.3.1 Pix2pix网络结构 |
| 3.3.2 Pix2pix网络损失函数 |
| 3.3.3 基于Pix2pix生成图像的结果分析 |
| 3.4 本章小结 |
| 第4章 舰船异质图像的转换融合算法 |
| 4.1 引言 |
| 4.2 基于循环一致性对抗网络的舰船异质图像的转换融合算法 |
| 4.2.1 循环一致性对抗网络原理及结构 |
| 4.2.2 网络损失函数 |
| 4.2.3 改进的生成器结构 |
| 4.2.4 基于循环一致性对抗网络生成图像的结果分析 |
| 4.3 基于Pix2pix HD的舰船目标的图像增强方法 |
| 4.3.1 Pix2pix HD原理及结构 |
| 4.3.2 Pix2pix HD损失函数 |
| 4.3.3 基于Pix2pix HD生成图像的结果分析 |
| 4.4 本章小结 |
| 第5章 舰船多源图像融合及识别算法研究 |
| 5.1 引言 |
| 5.2 基于小波变换的图像融合 |
| 5.2.1 基于小波变换的融合算法原理 |
| 5.2.2 小波变换的融合参数的选取 |
| 5.2.3 小波变换的融合结果 |
| 5.3 基于卷积神经网络的舰船目标识别 |
| 5.3.1 卷积神经网络结构 |
| 5.3.2 卷积神经网络特征提取和识别方法 |
| 5.4 舰船目标识别结果 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（5）海上红外图像广义傅里叶域滤波及背景建模的目标检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 海上红外图像目标检测的研究现状 |
| 1.3 序列图像中背景抑制技术的研究现状 |
| 1.4 本文主要工作及成果 |
| 1.5 论文组织结构 |
| 第2章 海上红外图像分数傅里叶域高阶统计滤波的目标检测方法研究 |
| 2.1 离散分数傅里叶变换简介 |
| 2.2 分数傅里叶域内高阶统计量滤波器(FFHOSF)的设计 |
| 2.2.1 纯海水图像和非纯海水图像列方向分数域幅度谱的差异 |
| 2.2.2 高阶统计量的设计 |
| 2.2.3 高阶统计量的分析 |
| 2.3 分数傅里叶域内高阶统计量滤波过程 |
| 2.3.1 分数傅里叶域内高阶统计滤波器目标检测模型 |
| 2.3.2 海上红外图像三种高阶统计量曲线的对比 |
| 2.4 目标检测 |
| 2.4.1 滤波后图像双阈值分割 |
| 2.4.2 目标区域选择 |
| 2.5 FFHOSF算法流程分析 |
| 2.6 实验结果与分析 |
| 2.6.1 分数傅里叶域海上红外图像检测结果 |
| 2.6.2 视觉对比 |
| 2.6.3 定量对比 |
| 2.7 本章小结 |
| 第3章 海上红外序列图像傅里叶域自适应单高斯背景建模的目标检测方法研究 |
| 3.1 海上红外图像傅里叶幅度谱稳定性及可分性的分析 |
| 3.1.1 纯海水图像时频和时空分布特性分析 |
| 3.1.2 海上红外图像各方向幅度谱特性的对比 |
| 3.2 傅里叶域内自适应背景分割算法(FASGM) |
| 3.2.1 背景模型的训练 |
| 3.2.2 背景频率点和目标频率点的初分离 |
| 3.2.3 自适应高斯判别系数的设计 |
| 3.2.4 傅里叶域内熵值滤波器的设计 |
| 3.2.5 背景模型的更新 |
| 3.3 显着区域提取及目标检测 |
| 3.4 FASGM算法流程分析 |
| 3.5 实验结果与分析 |
| 3.5.1 定性比较 |
| 3.5.2 定量比较 |
| 3.5.3 实验参数分析 |
| 3.6 本章小结 |
| 第4章 海上红外序列图像傅里叶域混合高斯背景建模的目标检测方法研究 |
| 4.1 傅里叶域幅度谱特性分析 |
| 4.1.1 纯海水图像和非纯海水图像行方向幅度谱特性对比 |
| 4.1.2 纯海水背景序列图像傅里叶域幅度谱统计特性分析 |
| 4.2 傅里叶域内混合高斯海背景模型(FGMM) |
| 4.3 测试帧幅度谱的局部特征分析 |
| 4.4 目标检测 |
| 4.5 FGMM算法流程分析 |
| 4.6 实验结果与分析 |
| 4.6.1 FGMM算法的目标检测结果 |
| 4.6.2 对比算法 |
| 4.6.3 视觉对比 |
| 4.6.4 定量对比 |
| 4.7 本章小结 |
| 第5章 海上红外序列图像傅里叶域多特征融合的目标检测方法研究 |
| 5.1 傅里叶域内双模式更新策略背景模型 |
| 5.2 傅里叶域内海水和目标的可分离特征研究 |
| 5.2.1 测试帧和海背景的线性相关特征 |
| 5.2.2 局部时空窗口内幅度谱变化的振荡快慢特征 |
| 5.2.3 三种特征的融合 |
| 5.3 目标检测 |
| 5.4 傅里叶域内多特征融合(BMMFF)的算法流程分析 |
| 5.5 实验结果与分析 |
| 5.5.1 视觉对比 |
| 5.5.2 定量对比 |
| 5.5.3 本文背景建模目标检测算法对比 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 指导教师对研究生学位论文的学术评语 |
| 答辩委员会决议书 |
| 致谢 |
| 攻读博士学位期间的研究成果 |
（6）红外遥感图像舰船目标在线检测关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外现状 |
| 1.2.1 红外与遥感探测国内外现状 |
| 1.2.2 星上舰船监测国内外现状 |
| 1.2.3 舰船目标检测方法现状 |
| 1.2.4 现有问题与探索方向 |
| 1.3 应用前景及意义 |
| 1.4 重点研究内容和章节安排 |
| 第2章 舰船红外成像特性与检测的关键技术方案 |
| 2.1 红外图像舰船检测可行性分析 |
| 2.1.1 红外遥感舰船成像机理与辐射特点 |
| 2.1.2 海表温度特性分析 |
| 2.1.3 舰船与海面背景间的灵敏度需求 |
| 2.1.4 舰船红外成像场景与成像能力 |
| 2.2 数据采集子系统方案研究 |
| 2.2.1 缩比模拟场景设计 |
| 2.2.2 探测器 |
| 2.2.3 低噪声数据采集关键模块设计 |
| 2.3 舰船检测关键技术方案 |
| 2.4 小结与讨论 |
| 第3章 红外舰船图像的预处理 |
| 3.1 红外舰船图像的基本特性与预处理需求 |
| 3.2 红外图像非均匀性校正背景 |
| 3.2.1 非均匀性定义 |
| 3.2.2 非均匀性校正相关方法 |
| 3.3 一种曲率正则化的条纹非均匀性校正方法 |
| 3.3.1 曲率正则化校正方法探索 |
| 3.3.2 高斯曲率滤波与改进模型 |
| 3.3.3 细节优化策略 |
| 3.3.4 校正结果分析 |
| 3.4 基于方向信息测度非线性扩散方法的盲元处理 |
| 3.4.1 盲元机理与方法 |
| 3.4.2 改进的方向信息测度的非线性扩散方法 |
| 3.4.3 改进的方法 |
| 3.4.4 盲元校正实验与评价 |
| 3.5 小结与讨论 |
| 第4章 红外图像舰船实时检测算法研究 |
| 4.1 红外图像舰船实时检测中的问题与探索方向 |
| 4.2 基于视觉显着性的红外图像舰船目标检测方法 |
| 4.2.1 基于显着性、稳定性特征离岸候选区域 |
| 4.2.2 靠岸候选区域提取 |
| 4.2.3 船只特征提取 |
| 4.2.4 实验结果与分析 |
| 4.3 深度学习方法基础理论 |
| 4.3.1 CNN基础 |
| 4.3.2 深度学习舰船检测方法改进方向 |
| 4.4 轻量级神经网络红外遥感图像舰船目标检测 |
| 4.4.1 CNN面临的挑战与BNN问世 |
| 4.4.2 二值神经网络与发展 |
| 4.4.3 编码-解码结构二值神经网络 |
| 4.4.4 网络中的函数 |
| 4.4.5 数据集构建过程 |
| 4.4.6 训练与平台 |
| 4.4.7 二值神经网络结果分析 |
| 4.5 图像质量与舰船检测精度关系探索 |
| 4.5.1 非均匀性对识别结果的影响 |
| 4.5.2 分辨率对检测结果的影响 |
| 4.6 小结与讨论 |
| 第5章 舰船目标检测的硬件实现方案 |
| 5.1 舰船检测的硬件实现方案 |
| 5.2 舰船检测硬件实现 |
| 5.2.1 硬件处理器选取 |
| 5.2.2 检测方法资源需求与硬件选取 |
| 5.2.3 算法关键模块硬件方案 |
| 5.2.4 硬件实现结果分析 |
| 5.3 系统在轨校正参数注入方案 |
| 5.4 小结与讨论 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）海上舰船目标检测方法研究（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 海上目标检测图像分类 |
| 1.2.2 海上视频监控系统发展 |
| 1.2.3 海上视频图像舰船目标检测方法 |
| 1.3 海上视频图像特点分析及舰船目标检测存在的问题 |
| 1.3.1 海上视频图像特点分析 |
| 1.3.2 海上视频图像舰船目标检测存在的问题 |
| 1.4 论文的主要研究内容 |
| 1.5 论文的组织结构 |
| 2 海上舰船目标检测相关技术理论 |
| 2.1 引言 |
| 2.2 海上舰船目标数据集 |
| 2.2.1 数据采集 |
| 2.2.2 数据集分类 |
| 2.3 预处理和后处理 |
| 2.3.1 形态学算法 |
| 2.3.2 海天线提取 |
| 2.4 图像特征提取 |
| 2.4.1 角点特征 |
| 2.4.2 边缘特征 |
| 2.4.3 纹理特征 |
| 2.5 运动目标检测方法 |
| 2.5.1 帧间差分法 |
| 2.5.2 背景差分法 |
| 2.6 视觉注意机制 |
| 2.6.1 视觉注意理论 |
| 2.6.2 自底向上的显着性模型 |
| 2.6.3 自顶向下的显着性模型 |
| 2.7 本章小结 |
| 3 基于边缘特征的多尺度Harris-Laplace舰船目标检测 |
| 3.1 引言 |
| 3.2 舰船目标边缘特征提取 |
| 3.2.1 传统Canny边缘检测算子 |
| 3.2.2 Canny边缘检测算子的改进算法 |
| 3.3 基于Harris算法的海上舰船目标角点检测 |
| 3.4 基于边缘特征的多尺度Harris-Laplace舰船目标检测算法 |
| 3.4.1 算法流程 |
| 3.4.2 Mean-Shift滤波 |
| 3.4.3 Harris-Laplace多尺度角点检测算法 |
| 3.4.4 凸包目标检测 |
| 3.5 实验结果及分析 |
| 3.5.1 实验结果对比 |
| 3.5.2 实验结果分析 |
| 3.6 本章小结 |
| 4 基于融合帧差法和ViBe算法的舰船目标检测 |
| 4.1 引言 |
| 4.2 基于边缘特征的多帧差法的舰船目标检测 |
| 4.2.1 基于边缘特征的三帧差法 |
| 4.2.2 基于边缘特征的五帧差法 |
| 4.3 基于ViBe算法的海上舰船目标检测 |
| 4.4 基于融合帧差法和改进ViBe算法的舰船目标检测 |
| 4.4.1 算法流程 |
| 4.4.2 24邻域背景模型初始化 |
| 4.4.3 Otsu法前景检测 |
| 4.4.4 非等概率背景模型更新 |
| 4.4.5 舰船目标后处理 |
| 4.5 实验结果及分析 |
| 4.5.1 实验结果对比 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 5 基于视觉注意机制的舰船目标检测 |
| 5.1 引言 |
| 5.2 Itti模型 |
| 5.3 改进的Itti模型 |
| 5.3.1 算法流程 |
| 5.3.2 改进Top-hat形态学滤波 |
| 5.3.3 小波变换提取频率特征 |
| 5.3.4 DMT获取边缘纹理特征 |
| 5.3.5 指数Gabor滤波获取方向特征 |
| 5.3.6 色彩空间转换获取颜色特征和运动特征 |
| 5.3.7 加权线性融合与自适应阈值分割 |
| 5.4 海天线区域舰船目标检测 |
| 5.5 实验结果与分析 |
| 5.4.1 实验结果对比 |
| 5.4.2 实验结果分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（8）基于学习的红外目标检测算法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 相关技术的国内外研究发展现状 |
| 1.2.1 泄漏气体目标检测国内外研究发展现状 |
| 1.2.2 小型飞行器目标检测国内外研究发展现状 |
| 1.3 论文主要内容章节安排及主要创新点 |
| 1.3.1 论文主要内容与章节安排 |
| 1.3.2 论文主要创新点 |
| 第2章 基于学习的目标检测相关技术 |
| 2.1 引言 |
| 2.2 目标检测典型分类器 |
| 2.3 典型样本数据增强方法 |
| 2.4 评价指标 |
| 2.5 本章小结 |
| 第3章 泄漏气体检测方法 |
| 3.1 引言 |
| 3.2 泄漏气体检测算法设计分析 |
| 3.3 红外滤光片选型方法 |
| 3.4 基于形状特征和SVC的泄漏气体检测方法 |
| 3.4.1 基于差分的运动区域检测 |
| 3.4.2 泄漏气体特征分析与提取 |
| 3.4.3 支持向量机分类器 |
| 3.5 实验分析 |
| 3.5.1 实验环境 |
| 3.5.2 数据准备 |
| 3.5.3 结果与分析 |
| 3.6 本章小结 |
| 第4章 固定翼飞行器要害点检测跟踪方法 |
| 4.1 引言 |
| 4.2 固定翼飞行器要害点检测跟踪算法设计分析 |
| 4.3 基于SVC/SVR的固定翼飞行器要害点检测跟踪改进方法 |
| 4.3.1 基于SVC的固定翼飞行器要害点检测 |
| 4.3.2 基于SVR的固定翼飞行器要害点检测 |
| 4.3.3 基于KCF的固定翼飞行器要害点检测跟踪 |
| 4.4 实验分析 |
| 4.4.1 实验环境 |
| 4.4.2 数据准备 |
| 4.4.3 结果与分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 主要研究工作总结 |
| 5.2 进一步工作展望 |
| 参考文献 |
| 攻读硕士期间已发表的论文 |
| 致谢 |
（9）多视点舰船红外图像仿真与识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究工作 |
| 2 基于SE-Workbench的红外图像仿真 |
| 2.1 红外仿真的理论基础 |
| 2.2 SE-Workbench场景红外仿真 |
| 2.3 多视点舰船红外图像仿真 |
| 2.4 本章小结 |
| 3 基于生成对抗网络的红外图像仿真 |
| 3.1 生成对抗网络 |
| 3.2 生成对抗网络的应用研究 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 多视点舰船红外图像协同检测与识别 |
| 4.1 多视点图像序列协同目标检测 |
| 4.2 基于联合稀疏表示的多视点目标识别 |
| 4.3 舰船多视点识别框架 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 本文内容总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
（10）空基图谱关联探测系统研究与设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究概况 |
| 1.3 论文的主要研究内容 |
| 2 图谱关联探测系统 |
| 2.1 图谱关联探测原理 |
| 2.2 图谱关联探测系统样机 |
| 2.3 图谱关联探测设备性能对比 |
| 2.4 本章小结 |
| 3 空基图谱关联系统设计 |
| 3.1 外形、结构设计 |
| 3.2 光学系统设计 |
| 3.3 伺服机构设计 |
| 3.4 减振设计 |
| 3.5 热温控设计 |
| 3.6 本章小结 |
| 4 图谱关联探测系统性能分析 |
| 4.1 成像探测距离分析与计算 |
| 4.2 光谱探测距离分析与计算 |
| 4.3 图谱融合探测识别真假目标 |
| 4.4 本章小结 |
| 5 典型目标红外图像/光谱仿真 |
| 5.1 目标红外辐射特性研究 |
| 5.2 红外图像/光谱仿真流程 |
| 5.3 几何建模 |
| 5.4 大气传输模型 |
| 5.5 目标辐射计算 |
| 5.6 仿真结果与对比分析 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请专利目录 |
| 附录2 攻读学位期间所从事的科研项目 |
| 附录3 程辐射、大气透过率批量计算代码 |
四、舰船红外图像实时识别方法研究（论文参考文献）
- [1]融合轻量级YOLOv4与KCF算法的红外舰船目标识别[J]. 谢晓方,刘厚君,张龙杰,孙涛,张龙云. 兵器装备工程学报, 2021(06)
- [2]光学图像海面舰船目标智能检测与识别方法研究[D]. 张玉莲. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [3]面向可见光遥感图像的海上目标快速检测和识别技术[D]. 何健. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(01)
- [4]基于生成对抗网络的舰船目标多源融合识别方法[D]. 王洁. 哈尔滨工业大学, 2020(01)
- [5]海上红外图像广义傅里叶域滤波及背景建模的目标检测方法研究[D]. 周安然. 深圳大学, 2020
- [6]红外遥感图像舰船目标在线检测关键技术研究[D]. 王文秀. 中国科学院大学(中国科学院上海技术物理研究所), 2019(03)
- [7]海上舰船目标检测方法研究[D]. 石桂名. 大连海事大学, 2019(06)
- [8]基于学习的红外目标检测算法研究及应用[D]. 刘路民根. 武汉工程大学, 2019(03)
- [9]多视点舰船红外图像仿真与识别[D]. 李邦邦. 华中科技大学, 2019(03)
- [10]空基图谱关联探测系统研究与设计[D]. 朱顺隆. 华中科技大学, 2019