發(fā)布時間：2023-02-22 19:44

　　目標檢測是計算機視覺研究領域的一個主要方向,在圖像檢索和視頻監(jiān)控等方面具有重要的研究意義和廣闊的應用前景。目標檢測簡而言之,就是利用圖像本身包含的信息進行分析,最終獲取人們感興趣目標的位置及類別信息,實現(xiàn)對于圖片場景的智能分析。隨著信息技術(shù)的快速發(fā)展,目標檢測技術(shù)發(fā)展也日新月異。而目標檢測領域里,紅外圖像中的弱小目標檢測無論在軍事還是民用領域,均具有很高的價值。本文主要研究圖像中紅外弱小目標的檢測方法,主要以紅外相機所拍攝的無人機作為待檢測的目標,對傳統(tǒng)的紅外圖像中弱小目標檢測算法進行測試分析,并針對基于深度學習的目標檢測方法進行改進,使其擁有對于紅外弱小目標檢測能力。本文主要研究及工作內(nèi)容如下:1.對傳統(tǒng)的紅外弱小目標檢測算法進行了介紹,并對于每種理論選取了具有代表性的方法進行了仿真實驗。介紹了具有代表性的深度學習目標檢測方法,并對其針對紅外弱小目標的檢測能力進行驗證,證明單純的使用現(xiàn)有的深度方法進行紅外弱小目標訓練與檢測存在很多不足,需要加以改進。2.介紹了基于FreeAnchor理論的目標檢測的主要思想,解釋了這種檢測方式具有高召回率的原因。對基于FreeAnchor檢測方法的骨...

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 紅外圖像中弱小目標檢測的相關(guān)技術(shù)
        1.2.1 包含弱小目標的紅外圖像的成分分析
        1.2.2 相關(guān)技術(shù)的國內(nèi)外發(fā)展現(xiàn)狀
    1.3 論文主要研究內(nèi)容及章節(jié)安排
        1.3.1 論文主要研究內(nèi)容
        1.3.2 論文章節(jié)安排
第二章 紅外圖像中弱小目標的檢測方法
    2.1 基于空間濾波的弱小目標檢測
        2.1.1 中值濾波和均值濾波
        2.1.2 最大中值濾波和最大均值濾波
        2.1.3 基于數(shù)學形態(tài)學的濾波
    2.2 基于變換域濾波的弱小目標檢測
        2.2.1 基于高通濾波的弱小目標檢測
        2.2.2 基于小波變換的弱小目標檢測
    2.3 基于視覺對比機制的弱小目標檢測方法
        2.3.1 基于局部對比度方法的弱小目標檢測
        2.3.2 基于相對局部對比度的弱小目標檢測
    2.4 基于低秩稀疏分解的紅外弱小目標檢測
    2.5 基于深度學習的弱小目標檢測
        2.5.1 Faster R-CNN目標檢測算法
        2.5.2 Retinanet目標檢測算法
        2.5.3 紅外弱小目標數(shù)據(jù)集介紹
        2.5.4 基于Faster R-CNN和 Retinanet的檢測結(jié)果及其分析
    2.6 本章小結(jié)
第三章 基于FREEANCHOR的高檢測率紅外圖像小目標檢測
    3.1 FreeAnchor的定義
    3.2 FreeAnchor檢測器的基本思想
        3.2.1 基于CNN的目標檢測方法的損失函數(shù)
        3.2.2 自定義的檢測似然函數(shù)
        3.2.3 錨框的匹配
    3.3 基于FreeAnchor目標檢測的主干網(wǎng)絡
        3.3.1 網(wǎng)絡結(jié)構(gòu)的修改
        3.3.2 群組歸一化
    3.4 結(jié)果及其分析
        3.4.1 實驗環(huán)境
        3.4.2 實驗結(jié)果及其分析
    3.5 本章小結(jié)
第四章 基于YOLOV3 的紅外圖像小目標檢測
    4.1 YOLOv3 的基本原理
    4.2 YOLOv3 網(wǎng)絡結(jié)構(gòu)的修改
        4.2.1 輸出結(jié)構(gòu)的修改
        4.2.2 DenseNet
        4.2.3 金字塔池化
    4.3 邊界框損失
        4.3.1 GIoU Loss
        4.3.2 DIoU Loss和 CIoU Loss
    4.4 預測邊界框的不確定性
    4.5 激活函數(shù)的選擇
        4.5.1 ELU和 SELU激活函數(shù)
        4.5.2 Swish激活函數(shù)
        4.5.3 Mish 激活函數(shù)
    4.6 模型總結(jié)
    4.7 實驗結(jié)果及分析
    4.8 本章小結(jié)
第五章 全文總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻
攻讀碩士學位期間的研究成果



本文編號：3748182