無人機(jī)進(jìn)行紅外艦船目標(biāo)偵察時,檢測算法對檢測正確率的影響很大。為增強(qiáng)無人機(jī)紅外光電載荷對艦船目標(biāo)的檢測能力,提出采用支持向量機(jī)（Support Vector Machine, SVM）進(jìn)行候選區(qū)訓(xùn)練的檢測算法,以提高目標(biāo)檢測的正確率。通過預(yù)先對候選區(qū)的特征進(jìn)行訓(xùn)練,得到候選區(qū)的分類數(shù)據(jù)。在檢測階段,加載訓(xùn)練時得到的候選區(qū)分類數(shù)據(jù),分類篩選出更可能包含目標(biāo)的候選區(qū),從而提高目標(biāo)檢測的正確率。驗(yàn)證實(shí)驗(yàn)中,選用368張無人機(jī)拍攝的長波紅外圖像作為訓(xùn)練數(shù)據(jù)集圖像,另外選擇139張圖像作為測試圖像。分別采用帶候選區(qū)訓(xùn)練的方法和無候選區(qū)訓(xùn)練的方法做目標(biāo)檢測實(shí)驗(yàn)。檢測結(jié)果表明,采用帶候選區(qū)訓(xùn)練的檢測方法比采用無候選區(qū)訓(xùn)練方法時平均檢測正確率高14.6%。 

【文章來源】：紅外. 2019,40(03)

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 研究對象
2 檢測原理與檢測方法
    2.1 檢測原理
        2.1.1 選擇性搜索的參數(shù)與取值
        2.1.2 目標(biāo)檢測中的交并比
    2.2 候選區(qū)的訓(xùn)練方法
    2.3 候選區(qū)訓(xùn)練數(shù)據(jù)的檢測應(yīng)用
3 實(shí)驗(yàn)結(jié)果與分析
    3.1 實(shí)驗(yàn)結(jié)果
        3.1.1 實(shí)驗(yàn)圖像的采集與選取
        3.1.2 實(shí)驗(yàn)方法的確定
        3.1.3 候選區(qū)提取訓(xùn)練實(shí)驗(yàn)
        3.1.4 目標(biāo)檢測實(shí)驗(yàn)
    3.2 實(shí)驗(yàn)分析
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于特征級融合的多波段艦船目標(biāo)識別方法[J]. 劉峰,沈同圣,郭少軍,張健.  光譜學(xué)與光譜分析. 2017(06)
[2]多特征融合的紅外艦船目標(biāo)檢測方法[J]. 張仲瑜,焦淑紅.  紅外與激光工程. 2015(S1)
[3]基于ObjectNess BING的海面多艦船目標(biāo)檢測[J]. 郭少軍,沈同圣,徐健,馬新星.  系統(tǒng)工程與電子技術(shù). 2016(01)
[4]復(fù)雜場景下的自動紅外艦船目標(biāo)檢測[J]. 邢莎,吉林,雍楊,胡俊杰,邢根祥.  紅外技術(shù). 2014(04)
[5]用Kalman濾波改進(jìn)的背景建模紅外運(yùn)動目標(biāo)檢測[J]. 田鵬輝,隋立春,肖鋒.  四川大學(xué)學(xué)報(自然科學(xué)版). 2014(02)
[6]一種復(fù)雜海面背景下的紅外艦船目標(biāo)檢測方法[J]. 卓志敏,繆德超,楊莘元.  傳感技術(shù)學(xué)報. 2007(08)
[7]一種基于ROI的紅外艦船目標(biāo)檢測方法[J]. 蔣李兵,王壯,胡衛(wèi)東.  紅外技術(shù). 2006(09)

碩士論文
[1]基于選擇性視覺注意機(jī)制的遙感圖像艦船目標(biāo)檢測與識別[D]. 丁正虎.復(fù)旦大學(xué) 2011



本文編號：3365753