隨著航空航天和成像技術(shù)的快速發(fā)展,通過(guò)星載、機(jī)載、智能設(shè)備等獲取到的圖像數(shù)據(jù)與日俱增。對(duì)于這些海量圖像的解譯工作更是滲透到軍事、民生等各個(gè)領(lǐng)域。目標(biāo)檢測(cè)作為解譯的基礎(chǔ)工作之一,無(wú)論是在軍事打擊、目標(biāo)跟蹤、還是畜牧管理等領(lǐng)域都具有重大意義。本文分別從三個(gè)方面對(duì)目標(biāo)檢測(cè)技術(shù)進(jìn)行探索和創(chuàng)新:(1)針對(duì)大幅、復(fù)雜背景光學(xué)遙感圖像的飛機(jī)目標(biāo)檢測(cè)問(wèn)題,提出基于層次視覺(jué)和先驗(yàn)信息的遙感圖像弱監(jiān)督飛機(jī)目標(biāo)檢測(cè)方法。光學(xué)遙感圖像具有高分辨率、大幅寬等特點(diǎn),包含豐富的地物信息。正是如此,為目標(biāo)檢測(cè)任務(wù)帶來(lái)巨大挑戰(zhàn)。本文以素描圖的稀疏表示模型為基礎(chǔ),依據(jù)飛機(jī)形狀的結(jié)構(gòu)先驗(yàn),通過(guò)素描圖中線段與線段之間的位置關(guān)系,提出基于機(jī)翼夾角的潛在飛機(jī)素描線段提取方法;利用原始圖像灰度圖中面上的灰度信息,交互使用素描圖和原始圖像灰度圖,線面結(jié)合,對(duì)前一步驟結(jié)果進(jìn)一步篩選;構(gòu)建平行線約束,提取對(duì)稱(chēng)機(jī)翼;再次利用原始灰度圖,通過(guò)區(qū)域生長(zhǎng)實(shí)現(xiàn)飛機(jī)目標(biāo)定位。最后與圓周頻率濾波飛機(jī)目標(biāo)檢測(cè)方法進(jìn)行實(shí)驗(yàn)對(duì)比,結(jié)果表明該弱監(jiān)督檢測(cè)方法在大幅、復(fù)雜背景下的光學(xué)遙感圖像飛機(jī)目標(biāo)檢測(cè)中,具有優(yōu)越性。(2)提出基于素描圖的飛機(jī)候選框提取算法,并...

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 目標(biāo)檢測(cè)研究現(xiàn)狀
        1.2.1 傳統(tǒng)的目標(biāo)檢測(cè)技術(shù)
        1.2.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)
    1.3 顯著性與目標(biāo)檢測(cè)
    1.4 層次視覺(jué)模型理論基礎(chǔ)
        1.4.1 視覺(jué)計(jì)算理論
        1.4.2 初始素描模型
    1.5 論文的主要內(nèi)容安排
第二章 基于層次視覺(jué)和先驗(yàn)信息的遙感圖像弱監(jiān)督飛機(jī)目標(biāo)檢測(cè)
    2.1 引言
    2.2 KD-Tree查詢(xún)算法簡(jiǎn)介
    2.3 區(qū)域生長(zhǎng)
    2.4 基于層次視覺(jué)和先驗(yàn)信息的遙感圖像弱監(jiān)督飛機(jī)目標(biāo)檢測(cè)方法
        2.4.1 基于機(jī)翼夾角先驗(yàn)的潛在飛機(jī)素描線段提取
        2.4.2 線面信息交互的潛在飛機(jī)素描線段篩選方法
        2.4.3 基于平行線約束的對(duì)稱(chēng)機(jī)翼提取方法
        2.4.4 區(qū)域生長(zhǎng),邊界定位
        2.4.5 實(shí)驗(yàn)仿真與分析
    2.5 本章小結(jié)
第三章 基于素描圖候選框提取算法的Fast R-CNN飛機(jī)目標(biāo)檢測(cè)
    3.1 引言
    3.2 Fast R-CNN相關(guān)算法
        3.2.1 Fast R-CNN整體框架
        3.2.2 Selective Search算法
    3.3 基于素描圖的飛機(jī)候選框提取方法
        3.3.1 基于機(jī)翼前緣約束的潛在成對(duì)機(jī)翼素描線段提取
        3.3.2 基于不同角度朝向的飛機(jī)候選區(qū)域構(gòu)造方法
    3.4 基于素描圖提取候選框的Fast R-CNN大場(chǎng)景下飛機(jī)目標(biāo)檢測(cè)
        3.4.1 針對(duì)大場(chǎng)景復(fù)雜光學(xué)遙感圖像的分塊策略
    3.5 實(shí)驗(yàn)仿真與分析
        3.5.1 基于素描圖的候選區(qū)域提取方法與其它方法的對(duì)比實(shí)驗(yàn)
        3.5.2 基于素描圖候選框提取算法的Fast R-CNN飛機(jī)檢測(cè)結(jié)果
    3.6 本章小結(jié)
第四章 基于顯著性機(jī)制的深度弱監(jiān)督目標(biāo)檢測(cè)修正方法
    4.1 引言
    4.2 顯著性相關(guān)算法
        4.2.1 Itti視覺(jué)顯著模型
        4.2.2 Manifold Ranking顯著性模型
        4.2.3 殘差譜模型
    4.3 顯著性方法選取策略
        4.3.1 顯著性方法選取算法
        4.3.2 實(shí)驗(yàn)仿真分析
    4.4 基于顯著性機(jī)制的弱監(jiān)督目標(biāo)檢測(cè)修正方法
        4.4.1 對(duì)抗性互補(bǔ)學(xué)習(xí)存在問(wèn)題分析
        4.4.2 顯著性模塊引入機(jī)制
        4.4.3 實(shí)驗(yàn)仿真分析
    4.5 本章小結(jié)
第五章 工作總結(jié)與展望
    5.1 論文工作總結(jié)
    5.2 未來(lái)工作展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3756781