导读:本文包含了融合目标识别论文开题报告文献综述及选题提纲参考文献，主要关键词:红外可见光图像,图像融合,目标识别,Top-hat算法
融合目标识别论文文献综述
王宁,周铭,杜庆磊[1]（2019）在《一种红外可见光图像融合及其目标识别方法》一文中研究指出为结合红外图像和可见光图像对目标检测识别的优点,提出了一种红外可见光图像融合及其目标识别方法.该方法根据数学形态学算法获得局部感兴趣区域,减少图像特征点生成范围,提高效率;通过使用基于多模态图像尺度与部分灰度不变图像特征算法建立合适的特征点定位和描述;最终根据局部不变性匹配原则,实现图像误匹配消除,得到配准关系.实验结果表明,本文方法能实现融合图像多目标的检测识别,其精度好,有一定的应用前景.(本文来源于《空军预警学院学报》期刊2019年05期）
陈惠红,刘世明[2]（2019）在《基于多重集典型相关的深度特征融合及SAR目标识别方法》一文中研究指出提出基于多重集典型相关分析(MCCA)的深度特征融合及合成孔径雷达(SAR)目标识别方法。该方法首先设计了针对SAR目标识别的卷积神经网络(CNN)。为了充分利用各个卷积层输出的特征图,首先采用矢量化串接、下采样的方式为每一个卷积层的输出构造特征矢量。然而,采用多重集典型相关分析融合各个层次的特征矢量,构造统一的特征矢量。在分类阶段,采用稀疏表示分类(SRC)对融合得到的特征矢量进行决策,判定目标类别。基于MSTAR公共数据集在标准操作条件和几类典型扩展操作条件下进行了目标识别实验,验证了方法的优越性。(本文来源于《电子测量与仪器学报》期刊2019年09期）
张晓,王莉莉[3]（2019）在《基于多分类器融合的卫星图像舰船目标识别》一文中研究指出针对遥感图像中舰艇目标识别性能低的问题,提出了加权投票分类器融合方法。首先分析了舰艇的颜色特征与轮廓特征,然后利用SVM、BP神经网络和AdaBoost算法训练叁种单分类器,最后采用加权投票方式对单分类器进行融合。采用融合分类器进行舰艇目标识别实验分析,实验结果表明:在google卫星图像舰艇目标识别中,所提方法能够有效提升舰艇目标识别准确率,F-measure可以达到73.54%,相较于SVM提升了2.72%,相较于AdaBoost提升了3.53%,相较于BP神经网络提升了4.28%。(本文来源于《通信技术》期刊2019年09期）
梁民赞,孟华,陈遥沛,曾翔[4]（2019）在《一种多源信息融合的声呐综合目标识别方法》一文中研究指出针对声呐在搜潜过程中目标识别正确率提升的问题,分析声呐目标特征及其获取手段,研究声呐目标特征提取、分析和识别方法,提出一种多信息源融合的声呐目标综合识别方法。综合运用声呐探测回波特征信息、频谱信息、音频信息、目标运动要素信息、雷达信息、AIS信息等信息进行联合识别,深层次挖掘目标特征信息,通过图谱特性、频域特征、听音识别、运动要素等多维识别,将孤立的、碎片的数据转化成信息优势,形成标准的声呐目标综合识别使用流程,从而提高目标识别正确率。(本文来源于《舰船科学技术》期刊2019年15期）
李捷,杨雪洲,周亮[5]（2019）在《基于改进DS理论多周期数据融合的目标识别方法》一文中研究指出为了应对复杂战场环境下信息不确定性及证据冲突造成目标识别困难的问题,解决配准关联错误及应答欺骗产生的误识别问题,减小融合算法对先验数据的依赖,提出了一种基于改进DS证据理论的多周期多传感器数据融合方法以实现高效的战场目标识别。方法采用4个层级,两个方面的多传感器数据融合结构,在改进DS证据理论处理性能的同时,充分利用多个周期识别结果的融合实现最终目标识别。仿真结果表明,该方法在提高目标识别准确性的同时,能够有效解决目标密集和应答欺骗造成的目标误识别问题。(本文来源于《火力与指挥控制》期刊2019年07期）
姬晓飞,石宇辰[6]（2019）在《多分类器融合的光学遥感图像目标识别算法》一文中研究指出光学遥感图像的多目标检测与识别一直是图像处理与分析的热点研究问题。基于单一特征单一分类器的多目标光学遥感图像分类识别算法存在识别准确率不高的问题。对此,充分利用特征与识别方法之间的适应性,提出了一种多特征多分类器融合的光学遥感图像多目标识别算法。首先对光学遥感图像的分类目标提取2种具有平移、缩放不变性的特征表示:Hog特征和Zernike特征;其次分别用3种适应性较好的分类器(BP神经网络、支持向量机(SVM)、随机森林(RF))进行分类;最后在决策级分别融合两种特征、叁种分类器的概率输出,给出最终的分类结果。实验结果表明,该算法较大程度地提高了光学遥感图像多目标识别的准确性,对飞机、舰船、油罐、汽车四类多目标的识别取得了95.37%的正确识别率。(本文来源于《计算机技术与发展》期刊2019年11期）
胡振宇[7]（2019）在《基于目标识别的光电多传感器信息融合技术》一文中研究指出依靠多个光电传感器采集目标数据,需要解决各类数据信息的融合分析问题。基于这种认识,从特征提取、融合和识别等方面,对基于目标识别的光电多传感器信息融合技术展开分析,介绍了技术应用前景,指出需要采用不同算法完成不同光电传感器特征信号提取,同时,通过融合计算得到融合特征量,为目标识别提供信息数据支撑,确保准确识别目标。(本文来源于《信息与电脑(理论版)》期刊2019年11期）
宋寿鹏,申静静,卢翠娥[8]（2019）在《可视化与非可视化特征融合超声3D目标识别研究》一文中研究指出目前常用的超声3D目标识别方法主要是利用传感器在空间一点或多点获取一维回波,通过信号处理得到目标体3D信息以实现3D目标体识别。这些方法普遍存在识别率低和鲁棒性差的问题,制约了该项技术的推广和应用。为此,文中提出了一种基于可视化和非可视化特征融合的超声3D目标体识别方法,该方法将目标体回波信号处理方法与合成孔径方法相结合,将提取的目标体信息在特征层进行了融合,然后经BP神经网络实现了分类识别,可使现有方法的不足得到显着改善。通过对3类人工靶标的实验表明,该方法可显着提高缺陷的3D识别率,能够保持在90%以上,且鲁棒性也得到明显改善。(本文来源于《电子科技》期刊2019年05期）
江梅,孙飒爽,何东健,宋怀波[9]（2019）在《融合K-means聚类分割算法与凸壳原理的遮挡苹果目标识别与定位方法》一文中研究指出自然场景下苹果目标的精确识别与定位是智慧农业信息感知与获取领域的重要内容。为了解决自然场景下苹果目标识别与定位易受枝叶遮挡的问题,在K-means聚类分割算法的基础上,提出了基于凸壳原理的目标识别算法,并与基于去伪轮廓的目标识别算法和全轮廓拟合目标识别算法作了对比。基于凸壳原理的目标识别算法利用了苹果近似圆形的形状特性,结合K-means算法与最大类间方差算法将果实与背景分离,由凸壳原理得到果实目标的凸壳多边形,对凸壳多边形进行圆拟合,标定出果实位置。为验证算法有效性,对自然场景下的157幅苹果图像进行了测试,基于凸壳原理的目标识别算法、基于去伪轮廓的目标识别方法和全轮廓拟合目标识别方法的重迭率均值分别为83.7%、 79.5%和70.3%,假阳性率均值分别为2.9%、 1.7%和1.2%,假阴性率均值分别为16.3%、 20.5%和29.7%。结果表明,与上面两种对比算法相比较,基于凸壳原理的目标识别算法识别效果更好且无识别错误的情况,该算法可为自然环境下的果实识别与分割问题提供借鉴与参考。(本文来源于《智慧农业》期刊2019年02期）
罗铃[10]（2019）在《基于目标识别技术的双边融合钼钯肿块检测框架的研究与实现》一文中研究指出乳腺癌是妇女最常见的恶性肿瘤之一,而钼钯影像是当前最有效的乳腺癌早期检测的手段之一。通过潜在异常的早期检出,医生可以建议患者做进一步检查从而规避恶化风险。当前的研究进展显示计算机辅助检出(CAD)可以帮助医生在早期阶段从数字钼钯影像中发现乳腺肿块,从而大大提升医生的工作效率。然而由于肿块大小、形状、密度差异较大,肿块检出仍是个巨大挑战。传统方法往往依赖于特征描述和阈值,泛化性较差,而随着深度学习在图像领域的发展,基于深度学习的肿块检出只利用了单侧影像,假阳性较多。根据医生临床经验,结合双侧图像能有效提高识别准确率,许多研究成果也表明双侧信息融合有望改进CAD系统的识别效果。因此,本文提出了基于目标识别技术的双侧特征融合的钼钯肿块检测算法。该算法首先进行图像预处理,对双侧乳腺的相同机位图像提取感兴趣区域,将匹配好的一对图像作为目标检测网络的输入。通过在Mask R-CNN网络中加入特征融合模块生成双侧对比特征图,从而建立融合的特征模型,并同时实现目标检测和语义分割。在两个公开数据集DDSM和INbreast上的对比实验结果表明,与传统的基于单侧的乳腺肿块检测算法相比,在平均每张图1个假阳性时,文中算法在DDSM上提升了6.95%的召回率,在INbreast上提高了4.79%的召回率。(本文来源于《北京邮电大学》期刊2019-02-25）
融合目标识别论文开题报告
（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：
提出基于多重集典型相关分析(MCCA)的深度特征融合及合成孔径雷达(SAR)目标识别方法。该方法首先设计了针对SAR目标识别的卷积神经网络(CNN)。为了充分利用各个卷积层输出的特征图,首先采用矢量化串接、下采样的方式为每一个卷积层的输出构造特征矢量。然而,采用多重集典型相关分析融合各个层次的特征矢量,构造统一的特征矢量。在分类阶段,采用稀疏表示分类(SRC)对融合得到的特征矢量进行决策,判定目标类别。基于MSTAR公共数据集在标准操作条件和几类典型扩展操作条件下进行了目标识别实验,验证了方法的优越性。
（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。
融合目标识别论文参考文献
[1].王宁,周铭,杜庆磊.一种红外可见光图像融合及其目标识别方法[J].空军预警学院学报.2019
[2].陈惠红,刘世明.基于多重集典型相关的深度特征融合及SAR目标识别方法[J].电子测量与仪器学报.2019
[3].张晓,王莉莉.基于多分类器融合的卫星图像舰船目标识别[J].通信技术.2019
[4].梁民赞,孟华,陈遥沛,曾翔.一种多源信息融合的声呐综合目标识别方法[J].舰船科学技术.2019
[5].李捷,杨雪洲,周亮.基于改进DS理论多周期数据融合的目标识别方法[J].火力与指挥控制.2019
[6].姬晓飞,石宇辰.多分类器融合的光学遥感图像目标识别算法[J].计算机技术与发展.2019
[7].胡振宇.基于目标识别的光电多传感器信息融合技术[J].信息与电脑(理论版).2019
[8].宋寿鹏,申静静,卢翠娥.可视化与非可视化特征融合超声3D目标识别研究[J].电子科技.2019
[9].江梅,孙飒爽,何东健,宋怀波.融合K-means聚类分割算法与凸壳原理的遮挡苹果目标识别与定位方法[J].智慧农业.2019
[10].罗铃.基于目标识别技术的双边融合钼钯肿块检测框架的研究与实现[D].北京邮电大学.2019