一、光学系统加速自动目标识别（论文文献综述）
于晓英[1]（2021）在《基于日盲区的城市轨道交通弓网电弧检测系统的研制与应用》文中指出弓网电弧是影响弓网关系的主要因素之一。弓网在线检测系统可实现弓网电弧现象的实时检测,为维修维护工作及今后长期运营中改善弓网关系提供数据支持。但是,由于供电制式、列车运营模式和弓网结构上存在区别,交流电气化铁路上应用成熟的弓网电弧检测系统不能完全适用于城市轨道交通弓网电弧的检测。考虑到各城市轨道交通的地理、气候、光照等条件存在差异,也需要有针对性地具体分析。基于此,本文以兰州轨道交通为例,研制了一种基于日盲紫外光信号作为特征波段的、适用于城轨供电制式及光照条件的弓网电弧检测系统。本文主要解决了基于日盲区的城轨弓网电弧检测系统特征光波段范围的确定、弧光采集系统设计、光信号到电信号的转换以及确定检测系统输出电信号类别等关键问题,具体工作如下:确定本弓网电弧检测系统收集的特征光波段范围。弓网电弧特征光波段范围的选择关系到检测系统对电弧强度判断的准确性,且影响到弧光采集系统镜头光组元件参数确定。特征波段应分布在日盲区范围、避开隧道灯光光谱分布范围、在特征波段范围内电弧光强度分布相对集中、且能反应弓网电弧的强弱变化。该特征波段的分布范围一方面取决于地表太阳光的日盲区和隧道灯光光谱分布范围;另一方面取决于弓网电弧的弧光光谱分布范围。因此,本文设计并开展了针对三种光源光谱实验,分别是兰州地区地表太阳光谱实验、隧道灯光光谱实验和城轨弓网电弧模拟发生实验。通过对实验得到的光谱数据比较分析,确定了本文研制的弓网电弧检测系统的特征光波段为275～285nm。对弧光采集系统的镜头参数进行详细计算与设计。主要针对275～285nm特征波段光信号进行了光学设计及配件选型。为了使镜头及光纤耦合过程中损失的电弧光信号达到最小,电弧所在的物面在光学系统末端光纤端面所在像面上的成像尺寸应该小于光纤端面,且在光纤端面上成像的像点尺寸和像差应尽量小。本文使用ZEMAX光学设计软件完成光学镜头的相关参数设计,根据兰州轨道交通使用的A型车车顶设备布置情况,给出了安装距离分别为3m、4m、5m、10m的四种光学镜头设计方案。最终,各设计方案的成像尺寸、像点尺寸及像差参数均满足设计要求。设计光电转换模块,确定光电转换模块输出的电信号类型,输出电信号应能反应弓网电弧的发光强度。在本系统中,选择R9880U-210型光电倍增管（Photomultiplier Tube,PMT）完成光电转换功能。该型号PMT对光学系统采集的275～285nm特征波段光信号敏感,能够将入射到PMT阴极光信号按一定比例转换成电信号输出。本文根据光电效应原理,分别推导分析了将PMT输出的电流值和一次电压积分值作为检测信号来反应弓网电弧强度的可行性。设计光子计数器,用于在燃弧检测试验过程中,统计PMT阴极接收到的光子数目,进而证明本检测系统设定的采集参数能够反应弓网电弧强度。为验证设计方案的有效性和实用性,将设计的弓网电弧检测装置应用于兰州轨道交通1号线第13列电动客车,实施多次弓网电弧在线检测试验。试验中,考虑到线路条件（地上、地下）、自然光线（白天、夜晚）、列车载重（空载、满载）、列车运行速度、列车运行状态（加速、匀速、制动）等可能对系统检测结果造成影响的因素,设定不同的试验条件。弓网电弧检测试验结果表明,该弓网电弧检测系统能够不受外界因素影响检测出弓网电弧现象,其检出率达到98.41%。用光电转换模块的电压一次积分值来衡量弓网电弧强度时,非线性误差为4.12%,而用电流值来衡量弓网电弧强度时,非线性度达到12.84%,因此,系统主要采用电压信号作为检测参量,而电流信号可作为辅助参考量。该弓网电弧检测装置在兰州轨道交通1号线投入使用以来,运行良好,检测出的弓网电弧数据,为弓网系统的维修、维护等工作提供了一定的数据支持。
曹景军[2]（2021）在《基于深度学习的双孢菇采摘机器人视觉系统研究》文中指出双孢菇是最常见的食用菌品种之一,其种植方式逐渐从传统的小规模个体栽培向规模化生产的智能工厂转变。在双孢菇智能工厂中,大多数生产工序已实现机械化和自动化,但采收成熟的双孢菇以及品质分级仍然主要依靠人工手动完成。人工采摘与品质分级劳动强度大、成本高并且十分枯燥。双孢菇自动采摘与品质分级成为该产业中的迫切需求。视觉系统是采摘机器人中的一项重要组成部分,开展双孢菇采摘机器人视觉系统研究对实现双孢菇自动化采摘及品质分级具有重要作用。本文围绕双孢菇自动采摘与自动品质分级的产业需求,重点研究了视觉系统中的多模态目标检测和轻量级品质分级核心算法,并搭建了双孢菇采摘机器人视觉系统,为实现双孢菇自动化采摘及品质分级提供了有力技术支撑。概括而言,本文的主要研究成果包括:（1）构建了双孢菇图像数据集合。为了提高双孢菇目标检测算法性能,构建了具有2300幅图像的双孢菇多模态目标检测数据集合,为了自动识别双孢菇品质等级,构建了具有1200幅图像的双孢菇品质分级数据集合,为开展相关研究提供了数据基础。（2）提出了一种多模态注意力融合网络进行双孢菇检测。该网络通过融合双孢菇可见光和深度图像特征来提取更全面的信息,采用多尺度架构增加感受野。使用注意力机制自适应地对特征通道进行标定,使网络关注于更重要的信息。当某个模态信息发生较大变化或者缺失时,通过模态间信息互补的方式,提升了检测器在光线较强和阴影条件下的准确性与健壮性。（3）提出了一种轻量级神经网络算法解决双孢菇品质分级问题。为了提高双孢菇品质分级效率,提出了一种压缩模块,该模块的主要设计思路是将串行的下采样操作和卷积运算转换成并行结构,基于该压缩模块,构建了一种轻量级神经网络‘Light Net’来解决双孢菇品质分级问题。所提出的网络具有更少的参数量和计算量,并且分级精度达到了97.50%。该网络通过提取双孢菇图像特征,自动将双孢菇分成优质和劣质两个级别,劣质中包括畸形和锈斑等情况。同时,为了测试该算法的泛化能力,在茭白品质分级图像数据集合上开展实验,分级精度达到95.62%,实验结果证明该网络可以拓展应用于其他有关农产品品质分级的任务中。（4）搭建了用于双孢菇采摘的机器视觉系统。设计并实现了双孢菇三维空间定位方法与双孢菇采摘路径规划方法,研发了双孢菇采摘机器人视觉系统,并将该视觉系统与双孢菇采摘机器人硬件装置进行集成,执行20组实验对视觉系统进行测试,实验结果证明了该视觉系统可以精确地检测与定位双孢菇。通过上述工作,本文对双孢菇自动采摘与品质分级问题进行了深入研究,研究结果表明:提出的多模态注意力融合网络提升了双孢菇检测性能。提出的轻量级神经网络具有更低的时间复杂度和空间复杂度,并且保持了相当的双孢菇品质分级精度。并将研发的视觉系统与双孢菇采摘机器人硬件装置进行了集成,实验结果证明了该视觉系统的准确性与有效性,为双孢菇自动采摘与品质分级提供了有力技术支撑。
王菲[3]（2021）在《基于背景建模的有限像素目标识别技术研究》文中认为在空对地机载光电成像探测、地对空地面区域防务等领域,当目标与光电成像系统距离较远时,目标图像数据只有有限个像素点,目标的形状、色彩、纹理等特征非常有限,具有目标识别领域“小目标”特征。特别是小型无人机在军用和民用领域大量使用,使光电成像观瞄系统对“小目标”的探测与识别技术需求愈加突显。本文以西安市科技创新计划项目为依托,针对光电观瞄系统远距离观测目标图像数据像素有限,目标图像纹理、颜色、形状等特征有限情况下的小目标识别与跟踪技术难题,研究基于背景建模的目标识别与跟踪技术,主要研究内容包括以下几个方面:1)针对低空区域防务光电观瞄系统的架构需求和技术指标,通过分析目标在光学系统中的成像过程,作用的距离、像元的尺寸和分辨率之间的关系及光谱响应曲线等影响目标探测与识别的因素,构建了低空区域防务光电观瞄系统的总体方案,完成了测试系统开发及静态与动态背景下算法测试数据集的采集。2)静态背景有限像素目标识别算法研究。针对静态背景下有限像素目标识别问题,通过视频图像帧间背景图像配准及配准后图像采用帧间差分法进行目标粗分割,并获取到了目标的位置及形状等信息,使用基于自适应更新的融合算法滤除了背景差分处理图像中的噪声,取得了高精度的目标识别结果,并完成了对算法的实验测试验证。3)动态背景有限像素目标识别算法研究。针对动态背景有限像素目标难以分割等难题,通过重点解决基于ViBe模型和混合高斯模型的目标识别算法中存在的拖影（Ghost）区域及目标运动速度变化较大难以建模等问题,实现了有限像素目标高精度识别。应用空间连续性约束条件为准则对主成分分析（PCA）方法建模存在的前景与背景误差进行补偿的同时,引入光流计算、色彩信息辅助等其它信息进一步提高误差补偿精度,提高了基于动态背景下的有限像素目标提取准确率,并在存在多目标的视频帧中对算法的实用性进行了验证。4)研究基于嵌入式框架的小型化无人机目标识别技术。本章从DM6446嵌入式平台的软件架构出发,完成了开发环境的搭建,以Codec为基础对算法调用进行了详细的分析,并且设计了基于ARM端的多线程任务处理方式,提高了目标识别技术在实际应用中的处理速度。通过实验论证,本论文构建的基于背景建模的有限像素目标识别系统针对光电观瞄系统远距离观测目标图像数据像素有限,目标图像纹理、颜色、形状等特征有限的情况下,研究如何从视频数据中准确提取无人机目标并对其进行分类识别的技术,并通过仿真实验利用多旋翼小型无人机实现了目标的快速、精确和自动识别。
李赟玺[4]（2020）在《面向“低慢小”目标探测与识别的激光雷达关键技术研究》文中指出随着微纳工艺和芯片集成等技术的发展,无人机等低空慢速小尺寸（“低慢小”）目标呈现爆发式增长,多种层面的黑飞和恶意监控等乱飞行为给低空探测带来了巨大安全隐患,而传统探测方式往往差强人意,迫切需要一种新型技术弥补低空防御的漏洞。激光雷达以波束窄、方向性强、小型化和响应速度快等优点,受到业界关注,它将是弥补传统雷达在低空领域漏洞的主要技术方案,也是近年来应用发展较为迅速的诸多技术路线之一。本论文围绕“低慢小”目标探测识别过程所需激光雷达中的关键科学技术难题展开研究,分析了激光扫描体制、扫描控制方法、远距离发散角压缩、背景噪声抑制、高精度时间间隔测量方法和针对激光雷达的小角度识别辅助方法等问题,主要研究内容如下:（1）研究高准直度激光高速扫描发射技术。利用谐振行扫和矢量帧扫振镜组合完成二维扫描光学系统的方案设计,测试振镜电压与扫描角度的关系,进行扫描轨迹方法与测试。通过分析测距方法,根据太阳辐射和大气吸收光谱分析,决定采用低损耗波段的激光器,以激光脉冲重频数与最远探测模糊距离关系曲线为约束条件,结合目标覆盖关系确定激光重频、单帧分辨率和扫描角度等主要参数,设计加工光学发射天线和激光器外触发核心FPGA使能电路。对扫描轨迹失真进行分析,阐述枕形失真的产生原因,通过改变控制输入电压模型校正失真来提高目标覆盖率,仿真和实验验证结果,设计电动转台完成激光雷达全视场扫描。（2）研究高隔离度瞬时视场激光探测技术。通过分析室外复杂环境和强辐射背景噪声,利用太阳辐射到系统的噪声功率与系统瞬时视场角之间的关系,对收发同置与分置条件下模拟噪声曲线进行仿真对比,确定低噪声接收方式。根据选用的APD设计相对应的非球面光学接收天线,研究收发同置下偏振隔离和反射镜中心开孔器件的隔离度问题,实验仿真对比后采用中心开孔收发隔离器件以提高系统隔离度和探测灵敏度,并设计加工能实现最优接收效果的2mm中心开孔隔离器件。（3）研究高精度高数据率激光测距技术。结合“低慢小”目标探测激光雷达系统对目标飞行时间间隔测量中的定时和测时问题,通过研究形心和恒比定时方案,对比定时精度和硬件成本,选取GW6042型高精度恒比定时模块作为鉴别时刻单元。利用TDC-GP22高速测时芯片完成测时模块设计,通过两种测时模式相结合达到公里级测时要求,并使用FPGA模块作为高速核心控制模块设计高精度测时和模式切换电路,利用GP22自校准,以实现高速数据量传输的同时,达到百皮秒量级的高测时精度。（4）搭建红外相机激光雷达主被动实验装置,进行室内外实验。阐述激光雷达原理,以朗伯体作为“低慢小”目标分析模型,对激光器重频为128 k Hz,脉宽为1 ns且平均功率达到1.1 W时的模型信息进行半实物仿真,通过理论探测距离与目标反射率的关系曲线对比分析,并对无人机常见材料实际反射率进行评估测试,理论验证激光雷达探测千米级“低慢小”目标的可能性,完成激光雷达方案整体设计。针对红外相机和配套镜头,设计检测目标与电动转台联动方案,确定受外界光线变化较小的帧间差分法作为目标检测方案。为减小在视频序列中对目标检测识别的迟滞时间,引入卷积神经网络深度学习方法来加速目标识别过程,并利用目前应用效果较好的Res Net50残差神经网络提高其平均精确率,最终使用复合装置进行室内外复杂环境成像实验测试。
林俤[5]（2020）在《复杂背景下反无人机的智能光电搜索跟踪技术研究》文中研究表明随着国际反恐和安保形式的变化,必须对来自空中的“低慢小”目标进行有效的防范。城市空中安保面临的空中威胁多为“低慢小”目标,固定翼目标机动飞行的速度可达30～50m/s,飞行角速度较大,且存在机动。在目标机动情况下,高精度拦截系统需要光电搜索跟踪系统的激光测距光轴实时照准目标,以获取目标位置信息,并实时估计目标机动运动参数,这对光电搜索跟踪系统的跟踪精度提出了很高的要求。另一方面,由于城市环境楼宇及建筑物众多,背景复杂,相对于常规净空背景下的无人机目标跟踪,对光电搜索跟踪系统复杂背景下的目标探测及图像跟踪能力也提出了新的要求。智能光电搜索跟踪系统能够实现城市复杂背景下对空中“低慢小”目标的实时搜索、捕获和跟踪,以便为高精度的拦截系统提供目标运动参数。针对复杂背景下“低慢小”目标探测及高精度跟踪的难点,本文分析了目标和复杂背景成像特点,提出了多光谱多元探测光学系统设计方案,将目标信息获取从常规的单一通道扩展为多个通道,使目标和背景可以在不同的波段上进行区分。在多光谱成像探测的基础上重点研究了复杂背景下的目标图像搜索跟踪技术和高精度伺服跟踪技术。在多光谱成像探测的基础上,对于目标机动情况下的高精度伺服跟踪技术,针对多种类型的“低慢小”目标机动能力和典型飞行方式的不同,提出了基于神经网络的IMM卡尔曼滤波前馈补偿跟踪方法。该方法将各种类型目标的机动特性建模后加入IMM卡尔曼滤波机动模型中,并采用神经网络目标识别模型来对搜索到的空中目标进行识别,根据识别到的目标类型自动调整IMM卡尔曼滤波参数,使滤波器对目标的机动特性获得最佳估计。从而为前馈补偿控制算法提供精确的前馈补偿控制量。高精度的伺服控制可保证在目标机动情况下,光学系统光轴仍可以稳定对准目标,使得测距激光可实时连续对目标进行测距。对于城市复杂背景下的目标图像搜索跟踪技术,提出了基于多光谱探测的多模复合TLD目标跟踪算法。在实际系统应用中,TLD算法存在耗时较长,容易产生跟踪漂移等缺点。因此,为了获得实时稳定的跟踪算法,本文提出了改进的复合TLD目标跟踪算法,一方面,图像处理前端首先对获取的图像进行融合处理,融合后的视频帧一路经过抽取（原始50Hz,抽取后为10Hz）,之后送入TLD目标跟踪算法,另一路直接送入KCF目标跟踪算法中,KCF算法实时性高,运算速度快,在运行正常的情况下,TLD算法会对KCF样本进行更新,以弥补KCF算法不能适应目标尺度变化及局部遮挡的情况,最外层采用基于先验信息的神经网络目标识别技术,在内层算法丢失目标后重新捕获目标,复合跟踪算法将三种算法进行优势互补,提高了跟踪稳定性和可靠性。对于城市复杂背景下建筑物对无人机的遮挡情况,通过IMM卡尔曼滤波技术来解决目标进入遮挡区域后对其运动轨迹的预测问题。无人机在进入遮挡区域后,其轨迹预测误差随时间的增长而增加。在短时间内,IMM卡尔曼滤波器的预测精度较高,随着时间的增长,目标出现各种机动的概率增加。提出了抗长时遮挡的IMM卡尔曼滤波-TLD目标跟踪算法,并进行了单机试验验证。对多机联合跟踪情况进行了仿真。本章算法根据目标出现区域的概率来自适应的调整跟踪波门,以使目标脱离遮挡区域后能够以较大概率重新进入跟踪视场。本文对以上关键技术在理论分析的基础上,进行了相关试验验证,证明了其算法的有效性。对于机动目标的跟踪精度验证,在实验室环境采用目标模拟器模拟各种目标机动,采用光电搜索跟踪系统实时跟踪并评估其跟踪精度,采用基于神经网络的IMM卡尔曼滤波前馈补偿控制器较常规控制器精度可提高3倍以上,实际系统在外场验证目标典型机动跟踪精度优于0.5mrad;在外场环境验证了多模复合TLD目标跟踪算法,较常规KCF或TLD算法,包含复杂背景下测试视频集的平均测试精度评估为0.9。单次抗遮挡跟踪试验中,基于IMM卡尔曼滤波将轨迹预测误差从常规预测的53m减小到15m。提高光电搜索跟踪系统的智能化水平、抗遮挡能力和精确跟踪能力是未来城市复杂背景反无人机系统的发展方向。对反无人机相关关键技术进行深入研究无论是军用还是民用反恐都将具有重要意义。
朱含露[6]（2020）在《天基空中动目标红外探测与识别关键技术研究》文中研究指明空中动目标的探测是国家空间高技术的前沿学科领域,一直是国际上发达国家关注的焦点,然而,当前对这一领域的探测手段研究主要停留在地基主动探测（雷达）为主,但由于空中飞机目标的运动存在区域广、速度快、全天时等特点,因此目前的探测手段存在一定的局限性,难以实现广域监视、且容易丢失目标。而天基光学（可见和红外）探测手段具有广域、高效、全天时等特点,是解决空中动目标探测的技术创新途径,因此本论文围绕天基平台下对空中动目标红外探测的机理和方法展开,研究了空中动目标及其背景的红外辐射特性,对探测系统的工作体制和指标体系进行了深入的研究和分析,解决了远距离下的红外弱小目标的检测和低分辨率可见光目标的识别等关键技术难题,取得了一系列的研究进展和成果。下面介绍论文的研究工作和主要研究成果:针对天基平台复杂背景下空中动目标的探测需求,研究了空中动目标在不同探测角度和空间位置下的运动特性。结合实际情况,分析探测过程中俯仰角、起飞角、旋转角等发生变化时的特点,实现目标红外辐射特性的仿真。并讨论在探测过程中,复杂云背景、海面背景等对探测产生的影响,分析了背景辐射强谱段和有云条件下的背景衰减效果,建立了天基探测场景下的目标和背景结合探测系统的一体化天基红外特征描述和评价系统。针对如何实现天基平台下空中目标的探测,研究了在空中动目标探测时具体采用的工作体制和指标体系,分析了工作模式,论证了地面分辨率、探测谱段、探测距离等关键技术指标,形成了天基空中动目标红外探测系统的基本架构。其主要是利用探测信号到达像面上的情况,分析信号和背景、信号和噪声、信号和杂波之间的关系,最终确定:在波段3-5μm时的地面分辨率最优在50μm内,在波段8-12μm时的地面分辨率最优在60μm内。探测谱段需要和探测距离合并考虑,探测距离在5006)μm内时,在中波波段的合理探测谱段为4.25μm-4.52μm和4.19μm-4.57μm,且合理的波段宽度为0.27μm-0.38μm;在长波波段的合理探测谱段为8.02μm-8.58μm和9.24μm-9.96μm,对应的最短波段宽度为0.56μm和0.74μm。为了最终实现广域搜索发现和精确检测识别目标,利用多线列推扫搜索成像和面阵凝视重点检测以及多谱段共同联合的工作体制实现探测。针对天基平台下复杂背景红外弱小目标的高性能检测问题,提出了一种基于横纵标准差多尺度灰度差异加权双边滤波的弱小目标检测方法。其主要是利用目标区域与周围区域的不连续性增强目标和背景的差异,将多尺度灰度差异加权算子与双边滤波结合,抑制了背景信号的干扰,解决了目标与背景差异不明显导致目标难提取的关键难题。采用自适应局部阈值分割和全局阈值分割的方法提取出候选目标,实现对弱小目标的检测。实验结果表明此方法在弱信噪比条件下效果明显优于其他方法,在抑制背景的同时将目标增强6-30倍。平均（?）和（?）参数也证实了此方法比其他方法有效5-12倍。在平均信噪比（?）=1.44时,本论文提出的算法平均检测概率为95.71%,相较于其他方法提高50%。针对天基平台下低分辨率可见光图像的空中动目标识别问题,结合实际的空中动目标探测的工作体制,提出了一种红外和可见光波段联合探测与识别的方法,并结合主成分分析和最近邻算法有效解决空中目标的识别问题。其主要是利用红外波段的目标检测结果作为疑似位置,结合红外和可见光波段的分辨率对应关系,将红外疑似位置映射到可见光位置,并对疑似位置周围进行一定尺寸的切片,然后利用主成分分析PCA和最近邻算法k NN对切片进行识别。实验结果表明,此方法可以对地面分辨率低于3m的目标实现召回率80.3%,平均精确率97.52%。最后,开发了数字化仿真验证系统,研制了地面用多谱段动目标探测验证平台,利用仿真图像和实测数据验证了本论文提出的探测系统工作体制、指标体系和处理算法的合理性和有效性。综上所述,本论文对天基平台下空中动目标探测的相关机理和方法进行了详细的介绍和分析,针对当前研究中的难点问题,提出了相应的解决方法,并进行了详细的比较,并开展了数字化仿真和地面实测等实验验证。本论文为空中动目标的前沿领域技术发展和后续天基平台空中动目标探测系统构建提供了有力的理论支撑和技术基础。
徐兴贵[7]（2020）在《近地面扩展目标远距成像识别关键技术研究》文中提出目标从毫米波雷达进入近地面光学系统探测范围时,目标2D图像信息成为战场情报的关键。然而,大气中的湍流、分子和气溶胶等光传输介质使得近地面远距离成像系统获取的目标图像发生模糊、几何畸变、纹理缺失等退化降质。为提高该类近地面远距离成像场景下的扩展目标检测与识别能力,本文围绕扩展目标识别的关键技术展开研究。首先,采用预处理手段增强目标图像和去除湍流几何畸变。接着,针对运动的暗弱扩展目标提出了有效的检测算法。在以上预处理和检测算法获取较为完备的动静态轮廓形状目标基础上,改进了方向形状上下文匹配算法以提高远距离湍流杂波场景下的点集形状扩展目标匹配识别精度,同时还针对湍流形变轮廓扩展目标提出了融合轮廓形状关键点结构和热核特征的分类识别算法。具体研究工作可分为以下五个方面:（1）提出了一种无需任何先验信息的自适应全尺度Retinex（AFSR）目标图像增强算法。与传统复原方法需依靠自然成像场景中的海量数据和先验知识来构建数学模型或者深度网络模型不同,所提方法无需先验信息便可利用图像光传输透射率自适应地引导构建全尺度环绕函数,改进了传统Retinex方法不能表征深度光照信息以及手调尺度参数的缺点。同时,采用简单的线性逼近策略代替对数函数运算进行反射分量解算,降低了算法的计算复杂度,能够在997×658×3大小的视频图像序列中达到0.055s/帧的准实时处理。大量实验表明:所提算法能够有效地提高外场近地面薄膜衍射成像系统获取的目标图像能量,提高扩展目标的鉴别力。（2）提出了一种基于自适应混合高斯子空间分解（AMoGSF）的扩展目标图像去几何畸变算法。为克服自适应光学系统在近地面非等晕成像中的局限,以及传统的（半）盲复原算法难以获得准确先验知识和无法处理时空变化畸变的问题,提出了一种在线式的去几何畸变算法。所提方法利用混合高斯分布模型对湍流前景中的目标、噪声和湍流分量建模,同时利用多帧低秩结构进行在线子空间分解以实现包含运动目标的几何畸变矫正。在合成的湍流退化图像序列、薄膜衍射成像实验系统和外场远距离光学成像系统等三类图像数据上实验,结果表明:所提的AMoGSF算法能够平均提高湍流畸变图像的峰值信噪比（PSNR）约30dB,降低归一化均方误差（NMSE）约4.5%。与此同时,所提方法提高了目标鉴别力,获得了较为完备的轮廓形状扩展目标,也为后续自动目标识别奠定了基础。（3）提出了一种由粗到精的暗弱运动扩展目标检测算法。针对机载、车载等近地面远距成像场景中出现相机抖动或平台旋转导致视频序列背景低秩假设受到破坏,以及湍流分量与真实运动物体咬合交织导致目标检测识别准确率降低等问题,提出了转移操作算子的T-AMoGSF模型以保证相机抖动或平台移动下的背景低秩特性,改进了算法在动态背景下提取‘粗’运动目标的鲁棒性。同时,改进的可变加权管道滤波（VWPF）方法能充分利用多帧序列的时空结构特性以有效地对暗弱刚体或非刚体目标进行‘细’识别。对比了7种方法在5种不同湍流场景中的实验结果,验证了所提方法在近地面可见光和红外成像数据集上获得最好的检测精度,最小的漏检率和虚警率。该方法实现了远距离成像探测系统中感兴趣区域（ROI）的运动暗弱扩展目标直接检测识别。（4）针对近地面湍流杂波场景中形状点集扩展目标匹配误差较大的问题,提出了一种形状边连续性约束下的方向形状上下文（OSC）能量代价函数模型。所提方法首先构造了一个具有旋转和尺度不变特征的OSC描述算子,然后在形状边连续性先验约束条件下构建了匹配能量代价函数模型,最后利用有序的动态匹配算法实现目标代价函数优化,算法的时间复杂度也由传统的O（n4）下降到O（nm2）,其中（n>m）。在仿真的湍流杂波点集形状和实际的近地面形状目标场景中实验,结果表明:所提方法较其他2种典型的方法更具鲁棒性,匹配精度平均提高约7%。（5）针对发生形变的轮廓形状扩展目标导致识别精度下降问题,提出了一种改进形状上下文和几何等距不变特征的融合描述算子。所提方法首先理论推导出广义的形状特征融合模型和贝叶斯分类器模型,然后利用改进的加权离散轮廓演化算法（WDCE）有效地获取湍流杂波场景中目标轮廓形状的稀疏关键点。在此基础上,构建了基于关键点形状结构（CP-IDSC）和局部等距不变热核（SI-HKS）的融合特征算子进行分类和匹配识别。在仿真和实际的湍流形变数据集上实验表明:所提出的融合特征描述子对轮廓形变、旋转和尺度变化具有不变性,并可有效地用于湍流退化杂波场景下的远距离（红外或可见光成像）形变扩展目标识别。与其他4种典型的方法相比,所提方法获得最高为92.8%的识别精度。总之,本文以问题为导向,以算法模型为核心,以实验为落脚点,围绕近地面远距离探测成像场景下智能扩展目标识别中的关键技术展开研究,取得了一些理论和工程应用方面的成果。
关英[8]（2020）在《典型目标的红外图像处理与识别方法研究》文中进行了进一步梳理本文以战场环境下反坦克作战的打击目标识别问题作为研究背景,着眼于红外图像的模式识别领域,开展针对战场典型坦克目标的识别方法研究。目前,针对目标识别这一问题国内外已经开展了大量的研究,但普遍是基于可见光图像进行目标识别方法的研究,基于红外图像的研究尚不算多,且目标识别算法的计算量大,难以在嵌入式系统中实现集成。本文选择Xilinx Zynq SoC异构平台作为开发平台,对算法进行优化设计,实现嵌入式红外图像目标识别系统的搭建。在识别算法的研究方面,本文对特征提取结合机器学习的目标识别方法进行深入研究。在目标的特征描述上,分析研究局部二值模式特征（LBP）、Hu不变矩特征、梯度方向直方图特征（HOG）三种特征,对比三种特征的特点后,针对本文所要识别的红外图像中的坦克目标,重点研究了基于梯度强度和梯度方向来表征目标的形状和轮廓的梯度方向直方图特征（HOG）;机器学习方面,重点研究自适应增强算法（AdaBoost）,构建Logistic回归分类器作为弱分类器,迭代训练得到强分类器,并在PC平台下开展实验验证,对算法的可行性进行分析。在算法的优化上,本文结合FPGA平台的计算特性,提出一种HOG特征提取算法的优化设计,优化后的算法将FPGA难以实现的除法运算改进为移位运算,能够更好地适应FPGA的计算特性,发挥FPGA的计算优势,提高系统的性能。在嵌入式系统的搭建上,本文采用软硬协同设计方法,硬件上利用Vivado HLS高层次综合工具将优化的HOG特征提取算法封装为IP核,在Vivado开发环境下进行Block设计,构建嵌入式系统硬件工程;软件上采用PetaLinux工具移植嵌入式Linux操作系统,通过交叉编译的方式移植QT、OpenCV库函数,编写VDMA IP核驱动程序,完成嵌入式红外图像目标识别系统的搭建,并对所搭建的目标识别系统开展实验,根据实验结果对系统的性能进行分析与评价。
王新华[9]（2019）在《面向复杂场景的图像处理技术若干问题研究及其在计算光学成像系统中的应用》文中研究说明计算光学成像技术是现代光学系统设计方法、图像传感技术和图像处理技术的综合性应用,能够在视觉信息的多维度、多尺度和分辨率上实现质的突破,进而观测到传统光学成像系统“看不清”、“看不全”和“看不到”的场景信息。针对低对比度、低分辨率、低照度的复杂光学特性场景,如何利用图像处理技术提升计算光学系统的成像质量已成为近些年的研究热点问题。为此,本文开展了偏振成像去雾增强处理、红外夜视图像超分辨率重建和水下弱小目标检测识别三方面研究工作,具体研究内容如下:（1）针对浓烈雾霾场景,为了增强图像对比度同时提升成像系统探测距离,提出了一种基于斯托克斯矢量模型的四相机共光轴实时偏振差分成像系统。将与入射光偏振方向夹角为0°、45°、90°、135°的检偏器集成在镜头内部,可实时获取四幅偏振分量图像。在偏振分量图像配准方面,提出一种偏振分量图像实时配准算法。首先,利用高精度四维标定平台对偏振分量图像重叠区域进行像元级标定,采用加速鲁棒特征检测子提取重叠区域的图像特征。然后,采用快速近似最近邻搜索算法获得初始的匹配点对,通过对匹配点对特征向量的欧式几何距离进行排序筛选并保留下较好的匹配点对。最后,基于渐进一致采样法对内点集合采样过程进行全局优化,实现更精准的空间变换参数估计。在偏振合成图像视频融合方面,提出一种基于“映射-合并”框架的视频融合方法,并采用双线性插值的限制对比度自适应直方图均衡算法对视频进行可视化增强处理。实验结果表明,该方法能够实时获取高对比度、高清晰度图像且不损失成像系统的空间分辨率。（2）针对夜间低照场景,为了提升红外成像系统的分辨率并去除噪声干扰,提出了一种基于微扫描成像超分辨率重建算法。首先,通过双线性插值的方法构造参考帧。接着,采用四参数仿射变换模型对序列图像运动参数进行估计。然后,提出一种基于边缘检测的点扩散函数算子进行凸集投影和灰度修正。最后,提出基于稀疏阈值的K-SVD字典学习算法对图像进行去噪声处理。实验结果表明,该方法能够较好地复原图像边缘细节信息并对噪声有一定的抑制作用。此外,提出了一种压缩编码成像超分辨率重建算法。首先,采用傅里叶变换对图像进行稀疏化表示。然后,提出了一种基于自适应非单调线搜索策略的全局优化梯度投影并行加速算法,完成稀疏信号的超分辨率重建。实验结果表明,该方法能够较少数据量高效地重建一幅的高分辨率图像并能够抑制图像噪声。（3）针对浑浊水下场景,为了提升浑浊介质条件下弱小目标检测识别精度,提出了一种基于蚁群优化和强化学习的图像边缘检测方法。首先,将强化学习思想整合到人工蚂蚁运动中,提出一种可变感知半径策略来计算每个像素转移概率,不同于与传统方法采用固定数量的领域像素来计算梯度。然后,引入双种群策略控制蚂蚁的运动方向,使搜索过程兼顾全局搜索和局部搜索能力。实验结果表明,该方法可以对水下弱小目标进行高精度的边缘检测。此外,提出一种基于深度编解码网络的水下图像目标检测识别方法。首先,通过反卷积操作对AlexNet卷积操作提取的图像特征进行细节补充,提出了一种基于AlexNet的深度编解码网络结构。然后,通过迁移学习解决了数据饥饿问题,基于仿射变换等操作对训练样本集进行了扩充。实验结果表明,该方法对于水下弱小目标能够表现出较高的识别精度。
张小强[10]（2019）在《基于形状先验知识的SAR图像目标解译技术研究》文中提出合成孔径雷达（Synthetic Aperture Radar,SAR）进行探测工作时可以不受日照条件、云层遮挡以及各种气象因素干扰,这种全天时全天候成像的独特能力使其成为一种持续、可靠的对地观测工具。星载、机载SAR系统的蓬勃发展使得对地观测数据爆炸式增长,然而与此不相匹配的是SAR图像处理技术的相对迟滞。目标解译是SAR图像的一项重要应用,由于人们对人造目标的重点关注,从SAR图像中提取目标轮廓、判定目标类别等一系列工作是情报获取的关键手段之一。目前的SAR图像目标解译技术距离完全投入实际应用还有一定差距。尽管分辨率的不断提高,SAR图像能够体现更丰富的目标细节信息,但仍然存在相干斑噪声降低图像质量,目标表面不同的散射机制导致灰度变化较大,以及复杂目标轮廓和结构不清晰不完整等问题,给目标解译工作造成很大困难。因此,本文开展基于形状先验知识的SAR图像目标解译技术研究,通过引入目标的形状信息辅助进行目标解译,以提高目标提取和识别算法的准确性和可靠性。论文的主要工作包括以下四点:（1）提出改进的非局部活动轮廓模型。针对SAR图像中乘性的相干斑噪声和同质区域灰度的不规则变化,引入一种基于图像概率密度函数的比率距离,增强模型对SAR图像的适应性。同时依靠非局部方法在纹理处理方面的优势,通过非局部活动轮廓模型实现对目标区域的准确提取。利用积分直方图快速计算非局部处理中所需的图像概率密度函数,提高算法运行速度。（2）提出基于椭圆约束GVF snake模型的舰船目标提取方法。对于舰船目标上时常出现的十字星、虚影等形状畸变,仅依靠图像信息难以消除,论文根据舰船目标外形近似椭圆的认识,引入椭圆约束的形状先验知识辅助进行目标提取。首先利用ROEWA算子对目标边缘进行粗提取,根据边缘生成梯度矢量流,其次利用最小二乘法对模型轮廓进行椭圆拟合,在能量泛函中加入椭圆约束项,从而将形状信息与图像的边缘信息结合起来,通过椭圆约束和梯度矢量流联合引导,使模型轮廓逐渐克服形状畸变逼近目标真实边缘,准确提取目标。（3）提出基于稀疏表示形状统计模型的目标提取和识别方法。针对飞机目标的复杂性,建立形状样本集,利用形状统计模型进行形状分析。将样本集矩阵和误差矩阵相结合得到形状表示矩阵,通过稀疏约束条件求解输入目标形状的稀疏表达,选取少量与输入形状近似的样本对输入形状进行重构。在轮廓演化方面采用GVF snake模型,利用梯度矢量流引导轮廓向目标边缘演化,同时轮廓在形状统计模型的控制下始终保持规范形状,通过迭代优化,逐步逼近飞机目标的真实轮廓,迭代终止后选取最后一次形状重构中系数最大的样本的类别,将其确定为目标类别。从而完成从目标精确提取到识别的解译流程。（4）提出基于流形学习形状统计模型的目标提取和识别方法。在第（3）点的算法框架上,引入流形学习的思想进行形状分析。将形状样本和输入形状看作高维空间中的数据点,分布在高维空间的嵌入流形上。利用等距离映射法对其进行非线性降维还原低维嵌入,同时尽量保持数据之间的相互关系。在低维嵌入上,通过KNN选取与输入形状相近的形状样本,利用拉格朗日乘子法求解对应的重构系数,即可得到重构形状。最后按照第（3）点的迭代优化框架将其运用于飞机目标提取,再根据权重系数分析完成目标识别。
二、光学系统加速自动目标识别（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、光学系统加速自动目标识别（论文提纲范文）
（1）基于日盲区的城市轨道交通弓网电弧检测系统的研制与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 城市轨道交通弓网系统 |
| 1.1.3 研究意义 |
| 1.2 城轨弓网电弧 |
| 1.2.1 城轨弓网电弧产生的原因 |
| 1.2.2 城轨弓网电弧的特性 |
| 1.2.3 弓网电弧的危害 |
| 1.3 弓网电弧国内外研究现状 |
| 1.3.1 弓网电弧及检测方法研究现状 |
| 1.3.2 日盲紫外探测技术研究进展 |
| 1.4 本文研究内容 |
| 2 城轨弓网电弧检测系统结构及原理 |
| 2.1 城轨弓网在线检测系统 |
| 2.2 城轨弓网电弧检测系统的构成 |
| 2.3 基于日盲区的城轨弓网电弧检测原理 |
| 2.3.1 地上线路部分 |
| 2.3.2 地下线路部分 |
| 2.4 弓网电弧检测系统设计中的关键问题 |
| 2.5 兰州轨道交通弓网电弧检测系统 |
| 2.5.1 兰州轨道交通线路概况 |
| 2.5.2 兰州城轨弓网电弧检测系统设计中考虑的特殊因素 |
| 2.6 本章小结 |
| 3 日盲法弓网电弧检测系统特征波段的确定 |
| 3.1 地表太阳光谱实验 |
| 3.1.1 实验设计及过程 |
| 3.1.2 实验结果及结论 |
| 3.2 隧道照明系统光谱实验 |
| 3.2.1 实验设计 |
| 3.2.2 实验结果及结论 |
| 3.3 城轨弓网电弧光谱实验 |
| 3.3.1 实验材料与方法 |
| 3.3.2 实验结果与结论 |
| 3.4 特征波段确定 |
| 3.4.1 特征波段应具有的特性 |
| 3.4.2 积分法分析电弧光谱数据 |
| 3.4.3 特征波段确定 |
| 3.5 本章小结 |
| 4 弧光采集系统及光电转换设计 |
| 4.1 系统设计需求 |
| 4.2 光学设计 |
| 4.2.1 设计约束条件 |
| 4.2.2 光学采集系统选择 |
| 4.2.3 光学参数计算 |
| 4.2.4 光通量评估 |
| 4.2.5 4 种物距下镜头设计 |
| 4.3 光学元件的选择 |
| 4.4 光电探测器件的选择 |
| 4.4.1 光电转换探测原理 |
| 4.4.2 PMT结构 |
| 4.4.3 PMT工作原理 |
| 4.4.4 弓网电弧检测系统中PMT的性能指标 |
| 4.4.5 PMT选型 |
| 4.5 PMT光电信号的定量化标定 |
| 4.5.1 基于PMT阳极输出电流的光电转换 |
| 4.5.2 基于PMT输出电压一次积分值的光电转换 |
| 4.5.3 光子计数器 |
| 4.6 本章小结 |
| 5 弓网电弧检测装置在兰州轨道交通1 号线的试验 |
| 5.1 试验背景 |
| 5.1.1 兰州轨道交通1 号线 |
| 5.1.2 试验设备状态 |
| 5.2 全线燃弧检测试验 |
| 5.2.1 试验条件 |
| 5.2.2 全线燃弧检测试验数据 |
| 5.2.3 弓网电弧检测系统的准确性验证 |
| 5.3 特殊区段燃弧检测试验结果分析 |
| 5.3.1 试验数据 |
| 5.3.2 试验数据分析 |
| 5.4 电压与电流信号检测的比较 |
| 5.4.1 电压信号衡量电弧强度 |
| 5.4.2 电流信号与电弧强度的关系 |
| 5.4.3 两种方案的线性度对比 |
| 5.5 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（2）基于深度学习的双孢菇采摘机器人视觉系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 目标识别与目标检测技术研究现状 |
| 1.2.2 目标定位技术研究现状 |
| 1.2.3 农业机器人视觉系统研究现状 |
| 1.3 研究目的与意义 |
| 1.4 研究思路与内容 |
| 1.4.1 主要研究思路 |
| 1.4.2 主要研究内容 |
| 1.5 研究的创新点 |
| 1.6 论文组织结构 |
| 第二章 相关理论基础及开发工具 |
| 2.1 机器学习理论 |
| 2.1.1 机器学习方法 |
| 2.1.2 过拟合与欠拟合 |
| 2.1.3 超参数与验证集 |
| 2.1.4 优化算法 |
| 2.1.5 学习方式 |
| 2.2 卷积神经网络 |
| 2.3 反向传播 |
| 2.4 深度学习框架 |
| 第三章 数据集合构建 |
| 3.1 双孢菇目标检测图像数据集合构建 |
| 3.1.1 光学系统 |
| 3.1.2 数据采集与整理 |
| 3.1.3 数据标注 |
| 3.1.4 数据增广 |
| 3.2 双孢菇品质分级图像数据集合构建 |
| 3.3 品质分级算法泛化能力验证数据集合构建 |
| 3.3.1 光学系统 |
| 3.3.2 数据采集 |
| 3.3.3 数据预处理 |
| 第四章 基于深度卷积神经网络的双孢菇目标检测 |
| 4.1 单模态双孢菇目标检测 |
| 4.1.1 基于CenterNet检测器的双孢菇检测 |
| 4.1.2 基于注意力融合检测器的双孢菇检测 |
| 4.2 多模态双孢菇目标检测 |
| 4.2.1 多模态注意力融合网络架构 |
| 4.2.2 网络训练 |
| 4.3 实验结果对比分析 |
| 第五章 基于轻量级神经网络的双孢菇品质分级 |
| 5.1 卷积运算计算量与参数量 |
| 5.2 压缩模块 |
| 5.3 轻量级神经网络LightNet |
| 5.4 网络训练 |
| 5.5 实验结果对比分析 |
| 5.6 泛化能力测试 |
| 第六章 双孢菇采摘机器人视觉系统原型 |
| 6.1 系统总体设计 |
| 6.2 系统模块设计 |
| 6.3 目标三维空间定位设计与实现 |
| 6.4 采摘路径规划方法设计与实现 |
| 6.4.1 多区域采摘路径规划方法 |
| 6.4.2 行顺序采摘路径规划方法 |
| 6.5 系统集成与测试 |
| 6.5.1 边缘计算平台对比分析 |
| 6.5.2 系统环境配置 |
| 6.5.3 系统集成 |
| 6.5.4 系统测试 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（3）基于背景建模的有限像素目标识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外运动目标识别技术研究现状 |
| 1.2.2 弱小目标识别技术国内外研究现状 |
| 1.3 论文研究内容及章节安排 |
| 2 低空区域防务光电观瞄系统构建 |
| 2.1 系统技术指标 |
| 2.2 系统总体方案 |
| 2.3 系统探测器的选取 |
| 2.3.1 分析目标的成像过程 |
| 2.3.2 作用距离的影响 |
| 2.3.3 像元尺寸与分辨率关系 |
| 2.3.4 光谱响应特性曲线 |
| 2.4 原始视频数据的采集 |
| 2.5 本章小结 |
| 3 静态背景有限像素目标识别技术 |
| 3.1 基于背景配准帧间差分法的目标识别技术 |
| 3.2 基于背景差分法的目标识别技术 |
| 3.3 基于自适应更新的融合算法研究 |
| 3.3.1 背景的初始化与更新 |
| 3.3.2 使用融合算法的目标识别结果 |
| 3.3.3 识别结果对比及分析 |
| 3.4 识别技术指标测试与分析 |
| 3.4.1 查准率-查全率曲线 |
| 3.4.2 F-值 |
| 3.4.3 区域重叠率 |
| 3.4.4 定量分析 |
| 3.5 本章小结 |
| 4 动态背景有限像素目标识别技术 |
| 4.1 基于ViBe模型背景建模的目标识别算法研究 |
| 4.2 基于混合高斯背景建模的目标识别算法研究 |
| 4.2.1 算法基本思想 |
| 4.2.2 算法基本原理 |
| 4.2.3 算法详细流程 |
| 4.2.4 使用混合高斯背景建模的目标识别结果 |
| 4.3 基于主成分分析的融合算法研究 |
| 4.3.1 主成分分析法基本思想 |
| 4.3.2 主成分分析法基本原理 |
| 4.3.3 基于主成分分析融合算法研究 |
| 4.3.4 使用融合算法的目标识别结果 |
| 4.3.5 识别结果对比及分析 |
| 4.4 多目标识别结果分析 |
| 4.5 识别技术指标测试与分析 |
| 4.6 本章小结 |
| 5 基于嵌入式的目标识别技术 |
| 5.1 嵌入式平台开发环境搭建 |
| 5.1.1 软件架构 |
| 5.1.2 环境搭建 |
| 5.1.3 程序开发 |
| 5.2 目标识别算法Codec包封装及生成 |
| 5.2.1 目标识别算法封装 |
| 5.2.2 配置生成Codec Package |
| 5.3 ARM端多线程任务设计 |
| 5.4 实验结果及分析 |
| 5.4.1 实验环境搭建 |
| 5.4.2 实验结果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（4）面向“低慢小”目标探测与识别的激光雷达关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景与研究目的和意义 |
| 1.2 “低慢小”目标的定义与分类 |
| 1.3 “低慢小”目标探测发展现状 |
| 1.3.1 传统雷达探测方法 |
| 1.3.2 基于光电融合探测方法 |
| 1.4 激光雷达视觉成像系统概述 |
| 1.4.1 远距离激光雷达发展现状 |
| 1.4.2 低成本激光雷达发展现状 |
| 1.5 本文激光扫描方式选择 |
| 1.6 本文面临的关键问题和主要研究内容 |
| 第2章 高准直度激光高速扫描发射技术 |
| 2.1 引言 |
| 2.2 基于谐振振镜组合的高速扫描设计 |
| 2.2.1 新型高速谐振振镜组合模块 |
| 2.2.2 双振镜扫描角度与驱动电压线性度测试 |
| 2.2.3 双振镜扫描成像轨迹方法与测试 |
| 2.3 激光发射模块 |
| 2.3.1 激光雷达测距方式 |
| 2.3.2 激光器的选择 |
| 2.4 高准直度光学发射天线设计 |
| 2.4.1 空间扫描分辨率 |
| 2.4.2 高效光学准直发射天线设计 |
| 2.5 高速扫描信号控制设计 |
| 2.5.1 外触发模式激光脉冲测试 |
| 2.5.2 谐振振镜系统高速扫描轨迹信号调制 |
| 2.6 谐振振镜系统扫描轨迹失真校正 |
| 2.6.1 谐振振镜系统扫描轨迹失真分析 |
| 2.6.2 谐振振镜系统扫描轨迹畸变校正 |
| 2.6.3 谐振振镜系统畸变校正实验 |
| 2.7 基于精密电动转台实现的360°视场扫描 |
| 2.8 本章小结 |
| 第3章 高隔离度瞬时视场激光探测技术 |
| 3.1 引言 |
| 3.2 收发体制和系统接收模块设计 |
| 3.2.1 收发体制分析 |
| 3.2.2 微弱信号光电探测模块 |
| 3.2.3 基于能量特性非成像光学接收分析 |
| 3.2.4 基于非成像光学方法设计的非球面聚光镜 |
| 3.3 收发合置方案分析和高隔离度器件设计 |
| 3.3.1 收发合置方案分析 |
| 3.3.2 基于中心开孔反射镜高隔离度器件设计 |
| 3.4 本章小结 |
| 第4章 高精度高数据率激光测距技术 |
| 4.1 引言 |
| 4.2 “低慢小”目标回波时间间隔定时方案 |
| 4.2.1 时间鉴别技术方法分析 |
| 4.2.2 形心定时方法可能性分析 |
| 4.2.3 高精度恒比定时器件 |
| 4.2.4 GW6042 型恒比定时器测试 |
| 4.3 基于TDC的高数据率时间间隔测量技术 |
| 4.3.1 时间数字转化模块TDC-GP22 原理分析 |
| 4.3.2 基于GP22 设计模块的测时分析 |
| 4.4 本章小结 |
| 第5章 谐振扫描激光成像雷达实验研究 |
| 5.1 引言 |
| 5.2 激光雷达原理设计与测试 |
| 5.2.1 “低慢小”目标近似朗伯模型分析 |
| 5.2.2 典型“低慢小”目标探测距离测试评估 |
| 5.2.3 激光雷达方案结构设计示意图 |
| 5.3 基于深度学习的红外辅助探测“低慢小”目标原理设计 |
| 5.3.1 红外辅助方案原理设计 |
| 5.3.2 基于帧间差分法的目标检测方案 |
| 5.3.3 基于深度学习的快速目标识别方案 |
| 5.4 红外相机与激光雷达复合实验验证 |
| 5.4.1 目标距离测试实验 |
| 5.4.2 合作目标复合成像实验测试 |
| 5.5 测距误差分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（5）复杂背景下反无人机的智能光电搜索跟踪技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 反无人机系统国内外研究现状 |
| 1.2.2 目标探测跟踪领域国内外研究现状 |
| 1.3 当前光电跟踪装备及目标搜索跟踪技术中存在的问题 |
| 1.4 研究难点 |
| 1.5 论文主要研究内容 |
| 第二章 目标成像特点及基本跟踪设计理论 |
| 2.1 引言 |
| 2.2 “低慢小”目标在复杂背景下的成像特点 |
| 2.2.1 光谱特征 |
| 2.2.2 颜色特征 |
| 2.2.3 偏振特性 |
| 2.2.4 三维特征 |
| 2.2.5 运动特征 |
| 2.3 基于多光谱探测的光学载荷设计 |
| 2.4 光电跟踪基本伺服跟踪理论 |
| 2.4.1 基本控制原理 |
| 2.4.2 复合前馈控制 |
| 2.4.3 目标跟踪及轨迹预测 |
| 2.4.4 动载体情况下的陀螺稳像控制 |
| 2.5 基于复杂背景的基本图像跟踪理论 |
| 2.6 本章小结 |
| 第三章 改进的多模TLD目标跟踪算法 |
| 3.1 引言 |
| 3.2 TLD算法的主要模块 |
| 3.2.1 跟踪器 |
| 3.2.2 检测器 |
| 3.2.3 整合器 |
| 3.2.4 P-N学习模块 |
| 3.3 KCF算法简介 |
| 3.3.1 构造样本 |
| 3.3.2 训练分类器 |
| 3.3.3 目标检测 |
| 3.3.4 分类器的更新 |
| 3.4 多模复合TLD目标跟踪算法 |
| 3.4.1 TLD算法中改进的多特征融合目标跟踪器 |
| 3.4.2 改进的多模复合TLD算法 |
| 3.4.3 仿真 |
| 3.5 本章小结 |
| 第四章 基于神经网络的IMM卡尔曼滤波前馈补偿伺服控制算法 |
| 4.1 引言 |
| 4.2 伺服系统构成及工作原理 |
| 4.3 基于神经网络的IMM卡尔曼滤波复合控制器 |
| 4.4 用于估计模型最优参数的神经网络参数训练器 |
| 4.5 仿真分析 |
| 4.6 本章小结 |
| 第五章 抗长时遮挡的联合IMM卡尔曼滤波-TLD目标跟踪算法 |
| 5.1 引言 |
| 5.2 基本原理 |
| 5.3 目标遮挡时对可能出现区域的概率估计 |
| 5.4 仿真分析 |
| 5.5 多机联合IMM卡尔曼滤波-TLD目标跟踪 |
| 5.6 基于抗长时遮挡IMM卡尔曼滤波器轨迹预估的延伸功能 |
| 5.7 本章小结 |
| 第六章 硬件设计与实现 |
| 6.1 引言 |
| 6.2 智能光电搜索跟踪系统构成和工作原理 |
| 6.3 光学系统设计 |
| 6.4 搜索跟踪系统的伺服控制模块设计 |
| 6.4.1 伺服控制系统设计要点 |
| 6.4.2 伺服控制系统总体构架 |
| 6.4.3 伺服控制电控设计 |
| 6.5 时序控制模块设计 |
| 6.6 GPU图像处理平台设计 |
| 6.7 关键技术 |
| 6.8 本章小结 |
| 第七章 智能光电搜索跟踪系统试验分析 |
| 7.1 引言 |
| 7.2 IMM卡尔曼滤波前馈补偿控制跟踪精度试验 |
| 7.3 多模复合TLD目标跟踪试验 |
| 7.4 抗长时遮挡IMM卡尔曼滤波-TLD目标跟踪试验 |
| 7.5 本章小结 |
| 第八章 工作总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（6）天基空中动目标红外探测与识别关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 论文选题背景和意义 |
| 1.2 国内外空中动目标探测研究进展 |
| 1.2.1 目标和背景特性研究现状 |
| 1.2.2 国内外探测系统研究现状 |
| 1.2.3 天基空中动目标检测研究现状 |
| 1.2.4 天基空中动目标识别研究现状 |
| 1.3 论文选题存在的关键科学问题和主要研究内容 |
| 1.3.1 关键科学技术问题 |
| 1.3.2 主要研究内容及技术指标 |
| 1.3.2.1 课题主要研究内容 |
| 1.3.2.2 课题研究目标和技术指标 |
| 1.4 创新点总结及论文结构安排 |
| 1.4.1 创新点总结 |
| 1.4.2 论文结构安排 |
| 第2章 空中动目标和背景红外特性建模仿真分析 |
| 2.1 飞机目标红外辐射特性仿真建模 |
| 2.1.1 飞机型号与相关参数 |
| 2.1.2 目标成像模型 |
| 2.1.3 蒙皮红外辐射特性仿真建模 |
| 2.1.4 喷口红外辐射特性仿真建模 |
| 2.1.5 尾焰辐射特性仿真建模 |
| 2.1.6 目标整体红外辐射仿真 |
| 2.2 背景红外辐射特性仿真建模 |
| 2.2.1 太阳辐射特性分析 |
| 2.2.2 地物特性分析 |
| 2.2.3 云特性分析 |
| 2.2.4 大气特性 |
| 2.2.4.1 大气的组成 |
| 2.2.4.2 大气衰减 |
| 2.2.4.3 背景辐射计算模型 |
| 2.3 背景杂波 |
| 2.3.1 背景杂波的定量分析 |
| 2.3.2 背景杂波仿真 |
| 2.4 本章小结 |
| 第3章 空中动目标探测系统工作体制与指标体系研究 |
| 3.1 信号指标分析 |
| 3.1.1 目标信号分析 |
| 3.1.2 背景信号分析 |
| 3.1.3 噪声信号分析 |
| 3.1.3.1 光学系统的影响 |
| 3.1.3.2 探测器噪声 |
| 3.1.3.3 量化电路模块噪声 |
| 3.1.3.4 总噪声 |
| 3.2 探测系统的工作体制与方法 |
| 3.2.1 目标-背景绝对对比度 |
| 3.2.2 目标-背景相对对比度 |
| 3.2.3 系统信噪比 |
| 3.2.4 系统信杂比 |
| 3.2.5 系统信号-噪声-杂波联合比 |
| 3.2.6 探测距离与系统信号-噪声-杂波联合比关系 |
| 3.3 探测指标体系确定 |
| 3.3.1 探测系统分辨率确定 |
| 3.3.2 探测谱段的确定 |
| 3.3.3 探测距离确定 |
| 3.3.4 探测系统的工作体制分析 |
| 3.4 本章小结 |
| 第4章 复杂背景下空中动目标检测算法研究 |
| 4.1 复杂背景下空中弱小动目标检测 |
| 4.2 目标信号能量增强-HV-MSGD |
| 4.3 背景预测-双边滤波BF |
| 4.4 阈值分割-GLTS |
| 4.5 轨迹检测验证 |
| 4.5.1 目标运动状态数学建模 |
| 4.5.2 轨迹预测流程 |
| 4.6 实验结果分析 |
| 4.6.1 实验环境和处理结果 |
| 4.6.2 评估方法 |
| 4.7 本章小节 |
| 第5章 复杂背景下空中动目标识别算法研究 |
| 5.1 目标识别问题分析和识别方法的提出 |
| 5.2 基于图像金字塔采样的Faster R-CNN方法 |
| 5.2.1 卷积神经网络简介 |
| 5.2.2 Faster R-CNN算法 |
| 5.2.3 图像金字塔 |
| 5.2.4 本方法具体实施步骤和结果分析 |
| 5.2.4.1 具体实施方案 |
| 5.2.4.2 实验结果分析 |
| 5.3 红外可见波段结合联合PCA和最近邻算法的目标识别方法 |
| 5.3.1 目标识别方法整体思路 |
| 5.3.2 主成分分析PCA |
| 5.3.3 最近邻算法 |
| 5.3.4 整个识别步骤 |
| 5.3.5 实验结果分析 |
| 5.4 本章小节 |
| 第6章 实验验证与评估 |
| 6.1 仿真验证 |
| 6.1.1 空中动目标背景全姿态仿真建模系统搭建 |
| 6.1.2 多谱段联合仿真系统搭建 |
| 6.1.2.1 输入参数设置 |
| 6.1.2.2 仿真成像 |
| 6.1.2.3 仿真成像结果和分析 |
| 6.2 成像验证 |
| 6.2.1 验证系统总体方案 |
| 6.2.2 验证与评估 |
| 6.3 本章小节 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及在学期间发表的学术论文与研究成果 |
（7）近地面扩展目标远距成像识别关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 目标检测与识别研究现状 |
| 1.2.1 图像清晰化预处理 |
| 1.2.2 几何畸变校正预处理 |
| 1.2.3 目标检测算法 |
| 1.2.4 目标识别算法 |
| 1.3 成像特性分析 |
| 1.3.1 模糊退化图像特性 |
| 1.3.2 湍流退化图像特性 |
| 1.4 面临的主要问题 |
| 1.5 研究内容及技术路线 |
| 1.6 本文组织结构 |
| 第二章 低秩矩阵分解与形状不变特征表示理论基础 |
| 2.1 低秩矩阵分解 |
| 2.1.1 相关定义 |
| 2.1.2 矩阵分解原理 |
| 2.1.3 低秩矩阵恢复方法 |
| 2.2 形状不变特征表示与识别原理 |
| 2.2.1 形状上下文特征 |
| 2.2.2 热核特征 |
| 2.2.3 基于特征匹配的目标识别 |
| 2.2.4 基于分类器模型的目标识别 |
| 2.3 小结 |
| 第三章 基于自适应全尺度Retinex的扩展目标图像增强 |
| 3.1 概述 |
| 3.2 图像清晰化模型 |
| 3.2.1 光学传输模型 |
| 3.2.2 Retinex原理 |
| 3.3 自适应全尺度Retinex算法 |
| 3.3.1 算法数学模型 |
| 3.3.2 算法优化 |
| 3.3.3 算法鲁棒性分析 |
| 3.3.4 算法流程 |
| 3.4 实验结果及分析 |
| 3.4.1 实验数据及评价指标 |
| 3.4.2 薄膜衍射成像系统的扩展目标图像增强 |
| 3.4.3 背光图像和夜间模糊图像增强 |
| 3.4.4 图像增强预处理后的扩展目标检测 |
| 3.5 小结 |
| 第四章 基于自适应混合高斯空间分解的扩展目标几何畸变校正 |
| 4.1 概述 |
| 4.2 湍流退化图像序列统计模型 |
| 4.2.1 湍流前景统计模型 |
| 4.2.2 低秩背景模型 |
| 4.3 扩展目标几何畸变校正 |
| 4.3.1 自适应混合高斯子空间分解模型 |
| 4.3.2 求解方法及步骤 |
| 4.3.3 分解结果 |
| 4.3.4 运动扩展目标掩模 |
| 4.3.5 算法流程 |
| 4.4 结果与分析 |
| 4.4.1 实验数据及参数设置 |
| 4.4.2 评价指标 |
| 4.4.3 湍流合成图像校正 |
| 4.4.4 薄膜衍射成像系统的扩展目标图像校正 |
| 4.4.5 外场湍流退化扩展目标图像校正 |
| 4.5 小结 |
| 第五章 改进低秩分解和管道滤波的远距离运动扩展目标检测 |
| 5.1 概述 |
| 5.2 由粗到精检测 |
| 5.2.1 转移算子模型 |
| 5.2.2 可变加权管道滤波的目标精识别 |
| 5.2.3 算法流程 |
| 5.3 实验结果及分析 |
| 5.3.1 实验数据及参数设置 |
| 5.3.2 评价指标 |
| 5.3.3 实验结果对比 |
| 5.4 小结 |
| 第六章 基于方向形状上下文的杂波点集形状扩展目标匹配识别 |
| 6.1 概述 |
| 6.2 形状上下文匹配算法原理 |
| 6.2.1 轮廓形状识别过程 |
| 6.2.2 图表示 |
| 6.2.3 优化匹配 |
| 6.3 改进的方向上下文目标匹配算法 |
| 6.3.1 方向上下文特征表示 |
| 6.3.2 边连续性约束的目标函数优化模型 |
| 6.3.3 点集形状目标匹配优化实现 |
| 6.3.4 算法总结 |
| 6.4 实验结果与分析 |
| 6.4.1 实验数据 |
| 6.4.2 参数设置与评价指标 |
| 6.4.3 仿真杂波场景的实验结果 |
| 6.4.4 现实湍流杂波场景的实验结果 |
| 6.5 小结 |
| 第七章 融合形状结构和热核特征的几何形变扩展目标识别 |
| 7.1 概述 |
| 7.2 广义形状不变特征融合模型 |
| 7.3 融合形状结构和热核不变特征的分类模型 |
| 7.3.1 尺度不变热核特征 |
| 7.3.2 关键点IDSC形状结构特征 |
| 7.3.3 贝叶斯架构下的分类识别模型 |
| 7.3.4 融合特征的识别算法实现 |
| 7.4 实验结果与分析 |
| 7.4.1 实验数据及参数设置 |
| 7.4.2 合成的形变扩展目标匹配识别 |
| 7.4.3 实际畸变扩展形状目标匹配识别 |
| 7.4.4 热核特征的形变扩展目标分类识别 |
| 7.4.5 融合特征的形变扩展目标分类识别 |
| 7.5 小结 |
| 第八章 总结与展望 |
| 8.1 论文总结 |
| 8.2 论文创新工作 |
| 8.3 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（8）典型目标的红外图像处理与识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外图像目标识别的研究现状 |
| 1.2.2 基于嵌入式平台的红外目标识别技术研究现状 |
| 1.3 本文主要研究工作和章节安排 |
| 第2章 红外热成像机理与图像的预处理 |
| 2.1 红外热成像原理 |
| 2.2 红外图像的特点 |
| 2.3 红外图像的预处理 |
| 2.3.1 灰度化 |
| 2.3.2 图像降噪 |
| 2.4 本章小结 |
| 第3章 基于机器学习的红外图像目标识别 |
| 3.1 特征提取结合机器学习的目标识别方法 |
| 3.2 红外图像的特征提取 |
| 3.2.1 局部二值模式特征 |
| 3.2.2 不变矩特征 |
| 3.2.3 梯度方向直方图特征 |
| 3.3 基于机器学习方法的红外图像目标分类决策 |
| 3.4 基于HOG+AdaBoost的红外图像目标识别算法 |
| 3.4.1 红外图像目标的特征选择 |
| 3.4.2 HOG特征提取的实现方法 |
| 3.4.3 AdaBoost分类器的训练过程 |
| 3.4.4 基于非极大值抑制方法的窗口融合 |
| 3.4.5 目标识别结果分析 |
| 3.5 本章小结 |
| 第4章 基于FPGA平台的算法优化设计 |
| 4.1 HOG特征提取的算法优化 |
| 4.1.1 cell单元梯度方向直方图生成的算法优化设计 |
| 4.1.2 梯度方向直方图归一化的算法优化设计 |
| 4.2 HOG特征提取IP核的设计方案 |
| 4.2.1 Vivado HLS高层次综合工具概述 |
| 4.2.2 HOG特征提取IP核设计 |
| 4.3 本章小结 |
| 第5章 嵌入式红外图像目标识别系统搭建 |
| 5.1 开发平台的选择 |
| 5.2 系统总体架构 |
| 5.3 硬件工程设计 |
| 5.3.1 Vivado开发工具概述 |
| 5.3.2 Block设计 |
| 5.4 运行环境搭建 |
| 5.4.1 嵌入式Linux系统移植 |
| 5.4.2 QT与 Open CV库函数的移植 |
| 5.4.3 VDMA IP核的驱动程序设计 |
| 5.4.4 运行环境启动 |
| 5.5 软件工程设计 |
| 5.6 本章小结 |
| 第6章 系统的验证与性能分析 |
| 6.1 实验结果对比分析 |
| 6.2 系统性能分析 |
| 6.2.1 系统性能评价指标 |
| 6.2.2 系统性能评价结果 |
| 6.3 FPGA资源占用率对比分析 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（9）面向复杂场景的图像处理技术若干问题研究及其在计算光学成像系统中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 超分辨计算光学成像技术 |
| 1.2.2 图像超分辨重建复原技术 |
| 1.2.3 目标特征提取与识别技术 |
| 1.3 研究思路及主要工作 |
| 1.4 论文的组织结构 |
| 第2章 基于偏振成像的图像去雾增强处理 |
| 2.1 引言 |
| 2.2 偏振透雾计算成像原理 |
| 2.2.1 偏振透雾成像物理模型 |
| 2.2.2 偏振成像透雾增强原理 |
| 2.3 偏振图像去雾增强算法 |
| 2.3.1 基于Stokes的偏振图像获取 |
| 2.3.2 偏振分量图像实时配准算法 |
| 2.3.3 基于“映射-合并”的图像融合 |
| 2.4 实验测试与结果分析 |
| 2.4.1 实验测试环境 |
| 2.4.2 实验测试方案 |
| 2.5 本章小结 |
| 第3章 基于微扫描成像的图像超分辨率重建 |
| 3.1 引言 |
| 3.2 微扫描超分辨成像原理 |
| 3.2.1 微扫描成像工作模式 |
| 3.2.2 微扫描成像系统构成 |
| 3.3 微扫描成像超分辨率重建算法 |
| 3.3.1 构建图像初始观测模型 |
| 3.3.2 凸集投影超分辨率重建 |
| 3.3.3 稀疏字典学习图像去燥 |
| 3.3.4 基于PSF的投影和修正 |
| 3.4 实验测试与结果分析 |
| 3.4.1 实验测试环境 |
| 3.4.2 实验测试方案 |
| 3.5 本章小结 |
| 第4章 基于压缩编码成像的图像超分辨率重建 |
| 4.1 引言 |
| 4.2 压缩编码超分辨成像原理 |
| 4.2.1 压缩感知基本理论 |
| 4.2.2 压缩编码成像原理 |
| 4.3 压缩编码成像超分辨率重建算法 |
| 4.3.1 信号的稀疏表示 |
| 4.3.2 观测矩阵的选择 |
| 4.3.3 稀疏信号的重构 |
| 4.4 实验测试与结果分析 |
| 4.4.1 实验测试环境 |
| 4.4.2 实验测试方案 |
| 4.5 本章小结 |
| 第5章 基于蚁群优化和强化学习的图像边缘检测 |
| 5.1 引言 |
| 5.2 蚁群优化和强化学习基本原理 |
| 5.2.1 蚁群优化算法的原理 |
| 5.2.2 强化学习模型及要素 |
| 5.3 基于强化学习的ACO边缘检测 |
| 5.3.1 蚂蚁分布的参数初始化 |
| 5.3.2 强化学习转移概率策略 |
| 5.3.3 信息素更新与边缘提取 |
| 5.4 实验测试与结果分析 |
| 5.4.1 实验测试环境 |
| 5.4.2 实验测试方案 |
| 5.5 本章小结 |
| 第6章 基于深度编解码网络的目标检测识别 |
| 6.1 引言 |
| 6.2 深度学习目标检测识别原理 |
| 6.2.1 水下目标检测识别的基本原理 |
| 6.2.2 基于深度编码解码的网络结构 |
| 6.3 ED-AlexNet优化设计 |
| 6.3.1 卷积流各类层设计 |
| 6.3.2 网络模型优化策略 |
| 6.4 实验测试与结果分析 |
| 6.4.1 实验测试环境 |
| 6.4.2 实验测试方案 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研结果 |
| 致谢 |
（10）基于形状先验知识的SAR图像目标解译技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状与进展 |
| 1.2.1 SAR图像目标提取 |
| 1.2.2 SAR图像目标识别 |
| 1.2.3 形状先验知识在目标解译中的应用 |
| 1.3 论文的主要贡献与内容安排 |
| 1.3.1 论文的主要贡献和创新 |
| 1.3.2 论文主要研究内容和章节安排 |
| 第二章 基于非局部活动轮廓模型的SAR图像目标提取方法 |
| 2.1 引言 |
| 2.2 比率距离在SAR图像中的适用性分析 |
| 2.2.1 欧氏距离在经典主动轮廓模型中的应用 |
| 2.2.2 比率距离在SAR图像分割中的应用 |
| 2.3 改进的非局部活动轮廓模型 |
| 2.3.1 非局部活动轮廓 |
| 2.3.2 SAR图像中的非局部对比处理 |
| 2.3.3 基于积分直方图的快速处理 |
| 2.3.4 算法实现 |
| 2.4 实验验证与分析 |
| 2.4.1 均匀背景下的目标提取 |
| 2.4.2 不均匀背景下的目标提取 |
| 2.4.3 基于切片的目标提取 |
| 2.4.4 参数分析 |
| 2.5 本章小结 |
| 第三章 结合形状约束的目标精确提取 |
| 3.1 引言 |
| 3.2 基于ROEWA算子的SAR图像目标边缘提取 |
| 3.3 GVF snake模型与椭圆形状约束 |
| 3.4 实验验证与分析 |
| 3.4.1 目标精细分割 |
| 3.4.2 参数分析 |
| 3.5 本章小结 |
| 第四章 基于稀疏表示形状统计的目标提取与识别 |
| 4.1 引言 |
| 4.2 构建形状模型 |
| 4.2.1 基于样条曲线的点分布模型 |
| 4.2.2 形状对齐 |
| 4.3 基于稀疏表示形状统计的目标提取与识别 |
| 4.3.1 基于稀疏约束条件的形状统计模型 |
| 4.3.2 目标提取与识别 |
| 4.3.3 飞机目标姿态粗估计 |
| 4.4 实验验证与分析 |
| 4.4.1 PCA类方法的缺陷 |
| 4.4.2 目标提取效果与分析 |
| 4.4.3 初始姿态参数分析 |
| 4.5 本章小结 |
| 第五章 基于流形学习形状统计的目标提取与识别 |
| 5.1 引言 |
| 5.2 等距离映射法(Isomap) |
| 5.3 基于流形学习的形状统计模型 |
| 5.4 实验验证与分析 |
| 5.4.1 目标提取与识别 |
| 5.4.2 参数分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 后续研究方向 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、光学系统加速自动目标识别（论文参考文献）
- [1]基于日盲区的城市轨道交通弓网电弧检测系统的研制与应用[D]. 于晓英. 兰州交通大学, 2021
- [2]基于深度学习的双孢菇采摘机器人视觉系统研究[D]. 曹景军. 中国农业科学院, 2021(01)
- [3]基于背景建模的有限像素目标识别技术研究[D]. 王菲. 西安工业大学, 2021(02)
- [4]面向“低慢小”目标探测与识别的激光雷达关键技术研究[D]. 李赟玺. 哈尔滨工业大学, 2020(02)
- [5]复杂背景下反无人机的智能光电搜索跟踪技术研究[D]. 林俤. 中国科学院大学(中国科学院西安光学精密机械研究所), 2020(06)
- [6]天基空中动目标红外探测与识别关键技术研究[D]. 朱含露. 中国科学院大学(中国科学院上海技术物理研究所), 2020(03)
- [7]近地面扩展目标远距成像识别关键技术研究[D]. 徐兴贵. 电子科技大学, 2020(07)
- [8]典型目标的红外图像处理与识别方法研究[D]. 关英. 沈阳理工大学, 2020(08)
- [9]面向复杂场景的图像处理技术若干问题研究及其在计算光学成像系统中的应用[D]. 王新华. 吉林大学, 2019(02)
- [10]基于形状先验知识的SAR图像目标解译技术研究[D]. 张小强. 国防科技大学, 2019(01)