红外图像检测论文-朱晓婷,刘雁翔,郭锐,刘荣忠,武军安

红外图像检测论文-朱晓婷,刘雁翔,郭锐,刘荣忠,武军安

导读:本文包含了红外图像检测论文开题报告文献综述及选题提纲参考文献,主要关键词:Harris角点检测,B样条函数,弹载,红外图像

红外图像检测论文文献综述

朱晓婷,刘雁翔,郭锐,刘荣忠,武军安[1](2019)在《末敏弹线阵红外图像的Harris角点检测优化算法》一文中研究指出针对Harris角点检测算法对于弹载线阵列红外图像检测角点数量过少及精度较低等问题,提出一种改进算法。首先利用Canny算子检测目标边缘以确定目标区域,再采用叁阶B样条梯度算子对目标区域滤波获得M矩阵,然后使用叁阶B样条函数与高斯窗口函数的卷积代替原高斯窗口函数对M矩阵进行平滑滤波,进行角点提取,最后在非极大值抑制时采用自适应阈值,以去除伪角点。实验结果表明,文中算法与Harris算法相比,不仅增加了角点的提取数量,在算法的总运行时间上缩减了3/4。(本文来源于《红外与激光工程》期刊2019年S2期)

官大衍[2](2019)在《可见光与长波红外图像融合的行人检测方法研究》一文中研究指出行人检测是构建自动驾驶系统的核心技术。在全天候复杂的交通环境中,集成可见光与长波红外视觉传感器的车载行人检测系统从理论上来说可具有良好的鲁棒性和准确性,是一种发展潜力巨大的行人检测系统。但实际应用中目前的可见光与长波红外图像行人检测方法在准确率、实时性、可扩展性等方面还很难满足自动驾驶的要求。针对此问题,论文结合国家自然科学基金面上项目“红外热成像信号特征提取和降噪理论及其方法”(51575486)和联合基金项目“机主人辅模式下智能汽车故障诊断、预测与容错控制研究”(U1664264)开展了“可见光与长波红外图像融合的行人检测方法”的研究,围绕图像特征分类、图像特征优化、实时行人检测、跨平台迁移学习等四个方向开展了相关研究工作,主要研究内容如下:针对在目前可见光与长波红外图像行人检测方法中采用的单一分类器在全天候驾驶中无法有效识别在白天和夜间光照环境下存在差异性的行人特征而导致出现大量漏检情况这一问题,研究了基于光照感知机制的多分类器融合方法,以消除光照环境对检测的影响,提升分类能力,降低漏检率,提高行人目标检测准确率。针对目前行人检测方法对于驾驶环境中采集的可见光与长波红外图像背景特征表达能力较弱而导致出现大量误检问题,研究了基于区域监督模块的可见光与长波红外图像背景特征优化学习方法,通过在可见光与长波红外图像行人检测器中增加区域监督模块,优化学习可见光与长波红外图像的背景特征,从而提升深度卷积神经网络对于背景特征的表达能力,降低误检率,提高行人目标检测准确率。针对目前常用的可见光与长波红外图像行人目标检测方法不能满足自动驾驶系统的实时性要求,研究了可见光与长波红外图像行人区域检测器,通过设计多层融合区域检测网络,优化学习可见光与长波红外图像中的小尺度行人特征,可采用低分辨率图像训练和测试深度卷积神经网络,以减少计算工作量,提高检测速度,不仅达到了自动驾驶系统的实时性要求,而且进一步提升了行人区域检测准确率。由于不同的可见光与长波红外图像采集平台在相机参数、安装位置与角度等方面存在差异性,行人检测器在跨平台数据上的检测准确率会大幅度下降。为了在不耗费标注成本的情况下显着提升可见光与长波红外图像行人检测器在跨平台数据集上的检测准确率,研究了可见光与长波红外图像行人区域检测器跨平台无监督迁移方法,将行人区域标注与深度卷积神经网络参数作为优化目标,利用可见光与长波红外图像的标注一致性与特征互补性作为监督信息,实现行人区域检测器无监督迁移学习,提升行人区域检测器在跨平台数据集上的检测准确率。采用可见光和长波红外相机搭建了车载图像采集系统,采集车辆行驶过程的图像数据,建立了跨平台行人数据集。通过在建立的跨平台行人数据集上对行人区域检测器进行无监督迁移学习,验证了所提方法的普适性。(本文来源于《浙江大学》期刊2019-09-01)

林鸿生,刘文正,汤永涛[3](2019)在《基于迁移学习的红外图像多目标检测技术》一文中研究指出针对用传统方法难以解决城市背景下红外图像多目标检测的问题,采用迁移学习技术把深度学习中可见光域的目标检测框架迁移到红外域中。利用该方法建立的模型的小目标检测性能非常好,在制作的测试集上平均精度mAP (IoU=0.50)为0.858。还对训练数据与模型检测性能之间的关系进行了初步研究。制作了大数据量和小数据量2个训练集,对模型进行训练,然后在相同的测试集上进行测试。通过小数据量训练的模型在制作的测试集上的平均精度mAP (IoU=0.50)为0.615。实验结果表明,数据的多样性、数量、质量等都会影响模型的好坏。(本文来源于《红外》期刊2019年07期)

张旭东,康熙,马丽,刘刚[4](2019)在《基于热红外图像的奶牛乳房炎自动检测方法》一文中研究指出为了提高奶牛乳房炎的检测精度,利用热红外图像测量奶牛关键部位温度,提出了一种奶牛眼睛和乳房自动定位算法。首先对奶牛热红外图像的灰度直方图进行分析,然后提取阈值分割后图像中的HSV(Hue,Saturation,Value)颜色特征和骨架特征,并基于HSV自动检测奶牛眼睛位置,计算骨架特征向量,用支持向量机(Support vector machine,SVM)分类技术自动检测奶牛乳房位置。为了验证定位算法的有效性,对随机选取的40头自然行走的奶牛进行试验验证,结果表明,本文提出的定位算法可以有效定位奶牛眼睛、乳房位置,其定位误差在20像素以内的视频帧识别精度为68. 67%。根据定位算法所获取的奶牛眼睛和乳房的温度差值进行奶牛乳房炎检测试验,通过温度阈值对奶牛乳房炎发病程度进行评级,并与体细胞计数法(Somatic cell count,SCC)检测结果进行对比,结果表明,等级1检测准确率为33. 3%,等级2检测准确率为87. 5%。本文研究结果能较准确获取奶牛自然行走状况下眼睛和乳房的位置和温度。(本文来源于《农业机械学报》期刊2019年S1期)

梁杰,李磊,任君,齐航,周红丽[5](2019)在《基于深度学习的红外图像遮挡干扰检测方法》一文中研究指出红外成像体制进行目标探测和识别时,烟幕、云雾等遮挡类干扰会改变目标特征导致目标识别错误。通过对遮挡干扰区域进行定位和类型判断,在识别处理时进行针对性处理可大大降低识别虚警率,提高识别的抗干扰能力。为此,提出一种基于深度学习单通道检测器改进的红外图像厚云、烟幕遮挡干扰检测方法。该方法通过网络多层特征的复用和融合,实现了多尺度预测;利用动态锚框模块改进锚框机制,提高了检测精度;将网络中的卷积层与批归一化层合并,提高了检测速度;引入中心损失函数对分类函数进行优化,提高了网络对遮挡物的分类能力。在网络训练过程中,提出一种红外样本增广方法,对数据量进行有效扩充,解决了红外图像训练样本获取难的问题。实验结果表明,与未改进前的算法相比,在速度基本相同情况下改进的遮挡干扰检测方法检测精度提高3. 7%,有效地解决了复杂环境下红外自动目标识别系统抗干扰能力较弱的问题。(本文来源于《兵工学报》期刊2019年07期)

余冠锋,张磊,程岳,邹昌昊[6](2019)在《基于固定翼飞机前视近红外图像的实时跑道检测》一文中研究指出为实时、精确地提取固定翼飞机前视图像中的跑道区域,提出了一种惯性辅助的近红外图像跑道检测算法。首先利用惯性导航信息和跑道角点的大地坐标,生成虚拟跑道轮廓,并估计跑道感兴趣区域(Region of Interest,ROI);然后对ROI区域进行细节增强,从中提取直线段;在虚拟跑道轮廓的辅助下拟合跑道边缘线,提取跑道特征。经真实数据验证,所提法可以从机载前视红外图像中实时、精确地检测出跑道特征,在33 frame/s的帧率下检测准确率达97%。(本文来源于《电讯技术》期刊2019年06期)

李俊峰,熊晶[7](2019)在《低对比度红外图像融合时图像细节信息检测系统设计》一文中研究指出为了准确识别出低对比度红外图像的内容,需要设计一个图像细节信息检测系统。采用当前方法设计的系统检测图像细节信息时,不能有效地去除红外图像中存在的噪声,检测所用的时间较长,检测得到的结果误差大,存在去噪效果差、检测效率低和检测结果准确率低的问题。提出低对比度红外图像融合时图像细节信息检测系统设计方法,根据ONLM算法构建红外图像去噪模型,采用Butterworth高通滤波器对去噪后的红外图像进行滤波处理,通过高频加强滤波补偿滤波处理后的红外图像,完成红外图像增强处理。计算增强处理后的红外图像主色的特征分布,提取到红外图像细节信息特征,根据特征提取结果检测低对比度红外图像融合时的图像细节信息。实验结果表明,所提方法的去噪效果好、检测效率高、检测结果准确率高。(本文来源于《激光杂志》期刊2019年06期)

仇荣超,吕俊伟,宫剑,修炳楠,马新星[8](2019)在《前视红外图像中海岸线与海天线的通用检测方法研究》一文中研究指出海岸线与海天线检测作为前视红外成像型反舰导弹末制导技术中的关键技术,通常会受到岛岸、云层、亮带、条状波浪等多种因素干扰。为解决这一问题,提出了一种海岸线与海天线的通用检测方法。对原始图像构建积分图像,采用箱式滤波器来增强海岸线与海天线的边缘特征;逐行滑动统计矩形区域内像素的梯度显着性来确定海岸线与海天线潜在区域,通过潜在区域内逐列寻找显着性最大值点,并对所有的最大值点进行多项式迭代拟合,获得海岸线与海天线的准确位置;基于实际采集的前视红外海面场景图像对该方法进行了验证和分析。结果表明,通用检测方法能够克服岛岸、云层、亮带、条状波浪等复杂背景的干扰,实现海岸线与海天线的检测,场景适应性强,实时性好。(本文来源于《兵工学报》期刊2019年06期)

林旭鹏[9](2019)在《基于车载红外图像的目标检测系统》一文中研究指出道路交通中的移动目标检测是汽车视觉辅助驾驶系统的重要组成部分。近年来,大多数学者采用深度学习方法对可见光图像中的目标进行检测,然而,普通的可见光车载摄像头在拍摄时容易受到黑夜、强光、恶劣天气等影响,从而导致所采集图像的质量急剧下降,而红外摄像头可以很大程度地缓解以上问题。但是,实际应用中的红外图像目标检测算法在鲁棒性和准确性上具有一定的局限性。因此,本文主要研究复杂交通场景下红外图像中的移动目标检测,论文主要开展工作如下:(1)根据红外图像的灰度统计、噪声以及频率特性,本文主要研究了图像降噪和增强两种预处理方法。在图像降噪方面,建立一种综合滤波方法,有效抑制了图像中的噪声。在图像增强方面,提出了基于直方图处理的双边滤波算法,该算法结合了图像的空间信息与统计信息,可以有效地保持红外图像的细节信息,并且能够增强图像的对比度。实验结果表明,使用预处理后的红外图像能够改善目标的漏检情况。(2)在目标检测中,论文基于回归的目标检测算法,对YOLOv2(You Only Look Once9000)网络中的激活函数进行改进,采用维度聚类方法对数据集中的目标边界框进行聚类分析。以上算法具有较强的鲁棒性,并且能够有效改善目标的漏检和误检情况。为了验证本文检测算法的性能,在公开的数据集上进行训练与测试实验,并对改进前后的实验结果进行性能对比分析。实验结果显示,在不同的复杂道路场景下,本文提出的目标检测优化算法具有较高的精确度和较强的实用性。综上所述,本文基于红外图像研究了复杂交通环境中的移动目标检测问题,为汽车辅助驾驶系统的实际应用提供了新思路。图48幅,表11个,参考文献50篇。(本文来源于《北京交通大学》期刊2019-06-01)

邵旭慧,裴继红,赵阳[10](2019)在《基于边界先验双模型贝叶斯决策的红外图像海天线检测》一文中研究指出为了解决红外图像在复杂海面干扰下的海天线检测问题,本文提出了一种基于边界先验双模型贝叶斯决策的海天线检测方法。该方法首先将海空背景下的红外图像划分为子图像块,以子图像块的离散余弦变换的主余弦谱作为子图像块特征;然后,基于边界先验建立了海、天子图像块的贝叶斯决策模型,对海、天子图像块进行粗划分;之后,利用粗划分的子图像块集合建立细划分贝叶斯决策模型,利用重迭子图像块滑动细划分方法,获取海天线上候选点;最后,利用随机抽样一致性(RANSAC)算法得到海天线模型参数,实现海天线的检测。实验结果表明,该方法能有效检测出复杂海空背景下的海天线,对于海杂波、亮斑等干扰较多的复杂红外图像具有更优的检测效果,运算速度较快。(本文来源于《信号处理》期刊2019年05期)

红外图像检测论文开题报告

(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:

行人检测是构建自动驾驶系统的核心技术。在全天候复杂的交通环境中,集成可见光与长波红外视觉传感器的车载行人检测系统从理论上来说可具有良好的鲁棒性和准确性,是一种发展潜力巨大的行人检测系统。但实际应用中目前的可见光与长波红外图像行人检测方法在准确率、实时性、可扩展性等方面还很难满足自动驾驶的要求。针对此问题,论文结合国家自然科学基金面上项目“红外热成像信号特征提取和降噪理论及其方法”(51575486)和联合基金项目“机主人辅模式下智能汽车故障诊断、预测与容错控制研究”(U1664264)开展了“可见光与长波红外图像融合的行人检测方法”的研究,围绕图像特征分类、图像特征优化、实时行人检测、跨平台迁移学习等四个方向开展了相关研究工作,主要研究内容如下:针对在目前可见光与长波红外图像行人检测方法中采用的单一分类器在全天候驾驶中无法有效识别在白天和夜间光照环境下存在差异性的行人特征而导致出现大量漏检情况这一问题,研究了基于光照感知机制的多分类器融合方法,以消除光照环境对检测的影响,提升分类能力,降低漏检率,提高行人目标检测准确率。针对目前行人检测方法对于驾驶环境中采集的可见光与长波红外图像背景特征表达能力较弱而导致出现大量误检问题,研究了基于区域监督模块的可见光与长波红外图像背景特征优化学习方法,通过在可见光与长波红外图像行人检测器中增加区域监督模块,优化学习可见光与长波红外图像的背景特征,从而提升深度卷积神经网络对于背景特征的表达能力,降低误检率,提高行人目标检测准确率。针对目前常用的可见光与长波红外图像行人目标检测方法不能满足自动驾驶系统的实时性要求,研究了可见光与长波红外图像行人区域检测器,通过设计多层融合区域检测网络,优化学习可见光与长波红外图像中的小尺度行人特征,可采用低分辨率图像训练和测试深度卷积神经网络,以减少计算工作量,提高检测速度,不仅达到了自动驾驶系统的实时性要求,而且进一步提升了行人区域检测准确率。由于不同的可见光与长波红外图像采集平台在相机参数、安装位置与角度等方面存在差异性,行人检测器在跨平台数据上的检测准确率会大幅度下降。为了在不耗费标注成本的情况下显着提升可见光与长波红外图像行人检测器在跨平台数据集上的检测准确率,研究了可见光与长波红外图像行人区域检测器跨平台无监督迁移方法,将行人区域标注与深度卷积神经网络参数作为优化目标,利用可见光与长波红外图像的标注一致性与特征互补性作为监督信息,实现行人区域检测器无监督迁移学习,提升行人区域检测器在跨平台数据集上的检测准确率。采用可见光和长波红外相机搭建了车载图像采集系统,采集车辆行驶过程的图像数据,建立了跨平台行人数据集。通过在建立的跨平台行人数据集上对行人区域检测器进行无监督迁移学习,验证了所提方法的普适性。

(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。

红外图像检测论文参考文献

[1].朱晓婷,刘雁翔,郭锐,刘荣忠,武军安.末敏弹线阵红外图像的Harris角点检测优化算法[J].红外与激光工程.2019

[2].官大衍.可见光与长波红外图像融合的行人检测方法研究[D].浙江大学.2019

[3].林鸿生,刘文正,汤永涛.基于迁移学习的红外图像多目标检测技术[J].红外.2019

[4].张旭东,康熙,马丽,刘刚.基于热红外图像的奶牛乳房炎自动检测方法[J].农业机械学报.2019

[5].梁杰,李磊,任君,齐航,周红丽.基于深度学习的红外图像遮挡干扰检测方法[J].兵工学报.2019

[6].余冠锋,张磊,程岳,邹昌昊.基于固定翼飞机前视近红外图像的实时跑道检测[J].电讯技术.2019

[7].李俊峰,熊晶.低对比度红外图像融合时图像细节信息检测系统设计[J].激光杂志.2019

[8].仇荣超,吕俊伟,宫剑,修炳楠,马新星.前视红外图像中海岸线与海天线的通用检测方法研究[J].兵工学报.2019

[9].林旭鹏.基于车载红外图像的目标检测系统[D].北京交通大学.2019

[10].邵旭慧,裴继红,赵阳.基于边界先验双模型贝叶斯决策的红外图像海天线检测[J].信号处理.2019

标签:;  ;  ;  ;  

红外图像检测论文-朱晓婷,刘雁翔,郭锐,刘荣忠,武军安
下载Doc文档

猜你喜欢