一、基于飞机目标的仿射不变矩研究(论文文献综述)
卞伟伟,邱旭阳,辛振芳,贾彦翔[1](2021)在《基于多特征的BP神经网络LSS目标识别方法》文中认为为更好地从可见光探测图像中对"低慢小"无人机目标进行识别和分类,对含有旋翼无人机、固定翼无人机和城市飞鸟这三类目标的图像进行灰度化、二值化等预处理,建立了目标圆形度、Hu不变矩、仿射不变矩特征提取模型以及多特征融合模型。在此基础上,提出了一种基于多特征的BP神经网络目标识别方法,构建包含输入层、隐含层、输出层的三层神经网络训练模型,并明确了该模型的训练过程。选取了三类目标图像,以其中每类各150张作为样本训练集,每类各50张作为样本测试集,通过计算损失函数来判定目标类别。结果表明:上述方法的识别率达92.67%,可实现对城市空域环境的"低慢小"目标的识别。
沈玉姣[2](2019)在《雾霾天气下的低空目标检测识别与威胁度评估》文中指出美国911事件发生之后,来自空中的安全威胁引发越来越多的关注。无人机、热气球等生活中常见的低空目标体积小、成本低、操纵简便、种类繁多,对公共安全的威胁程度极大。近年来,随着雾霾天气的频繁出现,对于防范管控低空目标的需求更加迫切,由此本文提出了一种雾霾天气下的低空目标检测识别与威胁度评估方法。首先,研究低空目标的特性,实际分析频繁出现的雾霾天气和地面的复杂背景对于低空目标检测与识别的干扰。针对雾霾天气的低能见度,研究各种去雾算法,并在此基础上提出基于单帧图像的复原去雾方法,与现有的去雾方法进行实验对比,证明该方法在去雾质量和场景保真上都有不错的效果。其次,设计一种结合数据驱动型和知识驱动型的低空目标检测与识别方案,实现低空目标的定位与识别。将基本形状特征、仿射不变矩特征和HOG特征融合于特征向量中,作为表征目标特性的参数,以达到不同特征之间优势互补的效果。利用水平灰度投影实现天空与地面的分离,结合水平混合灰度梯度指标和垂直混合灰度梯度指标实现可疑目标的检测和定位。此外,将变异系数法引入目标识别领域用于实现特征降维。最后,研究对识别定位到的低空目标进行跟踪与威胁度评估的方法,将雾霾的浓度、低空目标的种类、距离和速度、以及低空目标是否可应答作为评判对象威胁程度的指标,利用专家评估和模糊逻辑共同获得指标取值,并详细推算低空目标的距离和速度的计算方法。采用多属性决策的理想解法,为低空目标对重点区域、重要场所产生的威胁做一个等级评定,通过系统自动启动预警与求助,维护公共安全。
陈慧珺,李垣江,王建华[3](2017)在《基于小波和仿射不变矩特征融合的舰船型号识别》文中提出针对不变矩对仿射形变目标描述的不足,为提高舰船型号的识别精度,提出一种基于小波和仿射不变矩特征融合的舰船型号识别方法。首先对二值舰船图像进行归一化处理,并分别提取归一化舰船图像的小波矩特征值和仿射不变矩特征值;然后通过计算样本特征均值与标准差的比值,选择出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后构造五类舰船的样本集,采用支持向量机(SVM)作为分类器识别测试样本的型号,分析不同矩特征、样本集大小、SVM参数、本文方法对识别精度、稳定性的影响。实验结果表明,文中给出的算法提高了识别精度,并且在训练样本集较小时仍能获得88%以上的识别率。
陈慧珺[4](2017)在《基于PCNN和矩特征的遥感图像目标识别研究》文中进行了进一步梳理近年来,基于卫星遥感图像的目标识别技术得到迅猛发展,被广泛地应用于军事领域和民用领域。目前,各国学者在遥感图像飞机识别上取得了一定的突破。然而,现实环境远不及理论来的理想化,遥感图像必然存在噪声、复杂背景等干扰,这定当会影响后续的识别,因此现有的理论成果仍有不足之处,比如在识别精度、耗时量、通用性等方面还不尽如人意。为此,如何在复杂的环境中高效的识别出飞机目标成为了本文的研究重点和关键。众所周知,目标识别过程大致包括:预处理、分割、特征提取及识别。而本文的研究重点——遥感图像分割、特征提取,已取得如下成果:1、为了提高遥感图像目标分割的精度,提出了一种基于引力搜索算法参数优化的改进脉冲耦合神经网络(PCNN-Pulse Coupled Neural Network)遥感图像分割算法。首先,通过二次描述神经元间的激励和抑制关系,改进连接输入项和动态阈值来优化经典PCNN模型。然后利用上述模型对输入信息进行点火处理,并从其输出结果中提取图像熵和能量的比值作为引力搜索算法的适应度函数,且将熵的变化值作为引力搜索算法的收敛依据,利用引力搜索算法的全局搜索能力寻找PCNN模型中影响分割效果的关键参数的最优值。最终将该算法与OTSU、最大熵直方图算法和原始PCNN算法进行对比,并通过Matlab仿真实验证明了本文算法更适用于遥感图像分割。2、针对几何不变矩对仿射形变目标描述的不足,为提高飞机类型的识别精度,给出了基于小波和仿射不变矩特征融合的飞机识别算法。首先对二值飞机图像做归一化操作,并分别计算归一化飞机目标的小波矩和仿射不变矩特征值;然后通过计算样本特征均值与标准差的商,筛选出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后将五种不同型号的飞机构造成样本集,并采用支持向量机(Support Vector Machine,SVM)方法识别测试样本的型号。实验将不同类型的矩特征、不同容量的样本集就识别精度、稳定性指标进行了比较,结果表明,文中给出的方法提高了精度,而且在训练样本集较小时仍能获得较高的识别率。3、基于以上两个重要步骤,再结合支持向量机,完整地完成了整个识别过程。通过实验证明文中提出的方法不仅能克服类型各异及比例不同的噪声干扰,还能适用于复杂背景图像的飞机目标。同时,也保证了较高的识别精度和较少的耗时量。
吴喆,曾接贤,高琪琪[5](2017)在《显着图和多特征结合的遥感图像飞机目标识别》文中认为目的遥感图像飞机目标的检测与识别是近年来国内外研究的热点之一。传统的飞机目标识别算法一般是先通过目标分割,然后提取不变特征进行训练来完成目标的识别。在干扰较少的情况下,传统算法的识别效果较好。但遥感图像存在着大量的干扰因素,如光照变化、复杂背景及噪声等,因此传统算法识别精度较低,耗时量较大。为快速、准确识别遥感图像中飞机目标,提出一种基于显着图和全局特征、局部特征结合的飞机目标识别算法。方法首先使用改进的Itti显着算法提取遥感图像中的显着目标;接着使用基于区域增长和线标记算法寻找连通区域来确定候选目标的数量和位置;然后提取MSA(multi-scale autoconvolution)、Pseudo-Zernike矩和HarrisLaplace特征描述子,并使用标准差和均值的比值来评估特征的稳定性,再把提取的特征结合成特征向量;最后应用支持向量机的方法完成对候选目标的识别。结果实验结果表明,本文算法检测率和识别率分别为97.2%和94.9%,均高于现有算法,并且耗时少,虚警率低(为0.03),对噪声干扰、背景影响以及光照变化和仿射变化均具有良好的鲁棒性。结论本文算法使用了图像的3种特征信息,包括MSA、Pseudo-Zernike矩和Harris-Laplace特征描述子,有效克服单一特征的缺点,提高了遥感图像飞机目标的识别率和抗干扰能力。
曾接贤,季康[6](2016)在《基于多特征融合的多视点飞机目标识别算法》文中研究说明飞机作为三维目标,在不同视点观察下,会呈现出不同的姿态。针对多视点下,飞机目标姿态多变而导致识别率较低的问题,提出了一种基于DSm T理论和SVM分类器相结合的多特征融合的多视点飞机目标识别算法。首先对图像进行二值化处理,提取多个特征量;然后针对DSm T理论中信度赋值构造困难问题,利用SVM分类器对证据源进行信度赋值;最后利用DSm T组合规则在决策级进行融合,从而完成对飞机目标的识别。实验验证该算法在飞机姿态发生较大变化时,依然能够获得较高的识别率。
季康[7](2016)在《基于多分类器融合的多视点飞机目标识别算法研究》文中研究表明随着科学技术的发展,飞机目标识别已经成为计算机视觉领域中研究的热点之一。飞机目标识别技术在军事领域和民用领域都有广泛的应用。在军事领域,飞机目标识别可以应用在防御系统、导航制导系统、军事目标侦查中。在民用方面,飞机目标识别可以为民航机场提供实时动态监控,便于机场进行有效的管理。近年来,飞机目标识别技术已经取得了很大的进展,但是依然存在着在多视点下飞机姿态多变导致识别率低,算法耗时量大等问题。因此,本文为提高算法识别精度,减少耗时量,在现有算法的基础上,提出了基于多分类器融合的多视点飞机目标识别算法。本文主要研究内容如下:1、总结飞机目标识别的通用流程和关键技术,并对流程中各个步骤的关键技术进行分析,其中着重介绍特征提取和分类器的选择。首先分析了特征提取中各个特征的优劣,然后探究了不同类型的特征之间的联系,最后详细介绍了识别算法中各种常用的分类器。2、针对飞机目标在多视点情况下,姿态变化导致飞机目标识别率低的问题,本文提出了一种基于SVM(Support Vector Machine)和DSm T(Dezert-Smarandache theory)理论相结合的多特征融合的多视点飞机目标识别算法。首先训练多个SVM分类器,然后利用DSm T融合规则对多个SVM分类器进行融合判断,最后得到识别结果。该算法有效的克服了在多视点下,由于飞机姿态多变导致的飞机目标识别率低的问题。实验表明该算法能够在飞机姿态发生较大变化时,较好地识别出不同类型的飞机。3、针对飞机多姿态情况下识别精度低、耗时量大的问题,提出了一种基于极限学习机的多特征融合飞机目标识别算法。通过提取小波矩、Zernike矩和傅立叶描述子分别建立相应的极限学习机模块。对于每个模块得到的结果,利用加权投票的融合方法做出最终判别结果。该算法充分利用极限学习机的特性,降低了算法所消耗的时间,提高了算法的实时性。实验表明,该算法能较好的识别出不同类型的飞机,并且耗时量小。
高琪琪[8](2015)在《遥感图像飞机目标检测与识别算法研究》文中认为随着科技的发展,遥感图像飞机目标检测与识别已成为计算机视觉领域研究的热点和重点,被广泛地应用于军事领域和民用领域。飞机作为一种重要的军事目标和交通工具,获取它的信息不仅对战争的胜利异常关键,而且对机场飞机的管理也很重要。近年来,国内外对遥感图像飞机目标检测和识别技术虽然取得了一定的进展,但实际上,由于遥感图像存在大量的干扰,如噪声、复杂的背景、光照变化等,对识别技术存在很大的影响,使得现有算法仍有许多不足,比如算法识别精度低、耗时量大,以及算法具有很强的针对性而没有一种通用的识别算法等。因此,为了提高算法识别精度,减少耗时量,增强算法的通用性,本文在现有算法的基础上,展开了本课题的研究。本文的研究内容和成果如下:1、介绍了遥感图像飞机目标检测与识别的关键技术,主要包括特征提取、识别方法和算法的评价指标。其中,重点分析了形状特征和识别方法的优劣,并且在检测率和识别率的基础上定义了一个新的评价指标。2、针对现有算法针对性强和耗时大的问题,提出了基于显着图和多特征结合的飞机识别算法。该算法基于一种层次化识别方法来检测和识别遥感图像飞机,首先利用显着图凸显显着目标;接着使用基于区域增长和线标记算法寻找连通区域来确定候选目标的数量和位置;然后提取MSA、Pseudo-Zernik矩和Harris-Laplace特征描述子,并使用标准差和均值的比值来评估特征的稳定性,再把提取的特征结合成特征向量;最后应用支持向量机的方法完成对候选目标的识别。实验表明该算法能克服光照变化的影响,且耗时量少、通用性强。3、提出一种基于图像熵和形状特征融合的飞机检测算法。图像熵能够自然生成团块区域,它不像边缘检测那样只有目标的边缘,也不像显着图那样不能直观体现飞机目标的形状,非常适合于飞机目标粗定位。首先采用图像熵获得飞机目标的疑似区域;接着提取仿射不变矩、归一化转动惯量和奇异值分解;然后对3个特征进行稳定性分析后加权融合成新的特征向量;最后采用支持向量机来完成飞机目标检测与识别。实验证明该算法是行之有效的,同时还能克服飞机目标检测对边缘、轮廓等的依赖,获得了较高的检测率和较低的虚警率。最后,对全文进行工作总结,并指出未来研究工作的方向。
李平,魏仲慧,何昕,何丁龙,何家维,梁国龙,凌剑勇[9](2014)在《采用多形状特征融合的多视点目标识别》文中提出研究了多视点下三维目标的识别问题。针对传统的采用单一特征的方法在目标描述方面的不足,提出了一种融合多种特征的识别算法。首先,利用各向异性高斯方向导数相关矩阵提取目标角点,采用骨架约束提取特征角点,将各特征角点到目标质心的归一化距离作为角点描述子。接着,分别提取目标的几何矩不变量、仿射矩不变量、目标边界的傅里叶描述子;计算4种特征的类内和类间散布矩阵;以样本散布矩阵的迹作为权重,加权融合4种特征。然后,对融合后的特征向量进行独立成分分析(ICA),得到相互独立的特征分量。最后,采用支持向量机的分类方法进行分类。实验结果表明,本文提出的方法比采用单一特征的方法的正确识别率平均提高10%以上,且在小训练样本(10%总体样本)情况下仍能获得80%以上的识别率,可满足经纬仪实时目标识别系统的要求。
付俊[10](2014)在《基于特征融合的遥感图像飞机目标识别研究》文中研究表明卫星遥感图像识别技术是当今世界上研究的一个热点课题。随着科技的发展,卫星图像的拍摄和传输速度有了大幅度的提高,同时分辨率不断增强,使得基于遥感图像的目标识别技术成为现实。飞机目标作为一种重要的战略资源,因而基于遥感图像的飞机目标识别技术有着广泛的应用前景。在民用领域,可以为民航机场的飞行情况提供动态监督;在军事领域,能为掌握敌机的部署和分布动态提供实时信息。但是在实际上,遥感图像存在着大量的干扰因素,如噪声、背景、天气等,都会对飞机目标的识别造成很大的影响。论文首先介绍了基于高清卫星遥感图像飞机目标识别的意义。飞机识别作为目标识别技术的一种,广泛地应用于现今各种高科技领域之中。尤其是在军事领域,快速、准确地识别出他国军用机场的各种飞机目标的最新调动情况,能为分析其军事部署的最新调整提供信息参考,从而为战争的胜利赢得关键的作用。本论文以飞机识别为研究目的,详细介绍了各种飞机识别算法的优劣,在现有算法的基础上提出了本文研究算法。本文研究的主要内容包括两个方面:1、飞机识别算法;2、飞机检测算法。从这两方面的内容上展开了本课题的研究,主要思路包括提高现有算法的飞机检测精度和飞机识别精度。近年来,国内外飞机目标识别技术已经取得了很大的进展。目前,基于特征点和不变矩的飞机识别算法占绝大多数,但是仍然没有一种能适应各种机型的通用算法。针对现有的飞机识别算法中存在的精度低、通用性不强的缺点,提出了基于特征点和不变矩的飞机识别算法。特征点可以描述目标的精确细节信息,能够区分不同的机型,而不变矩稳定性好,能在目标发生多种干扰时保持较好的不变性,因而基于特征点和不变矩的飞机识别算法抗干扰性强,识别精度高。然后针对现有的飞机识别检测算法存在速度慢、鲁棒性差的缺点,提出了基于显着图和不变矩的飞机检测算法。显着图是采用特定显着性理论计算出来的灰度图像,可以滤除大量的背景干扰部分,突出原图的显着目标,从而有利于候选目标的快速定位,而不变矩抗干扰性强,具有原理简单、计算方便、易于实现的优点,因而基于显着图和不变矩的飞机检测算法耗时量少、鲁棒性高。最后,对本文研究的内容和思路作了总结,分析了本研究的创新亮点和不足之处,并对后续研究内容作了具体的展望。
二、基于飞机目标的仿射不变矩研究(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、基于飞机目标的仿射不变矩研究(论文提纲范文)
(1)基于多特征的BP神经网络LSS目标识别方法(论文提纲范文)
1 引言 |
2 图像预处理 |
3 特征提取与融合 |
3.1 圆形度 |
3.2 矩 |
3.2.1 Hu不变矩 |
3.2.2 仿射不变矩 |
3.3 特征融合 |
4 BP神经网络构建 |
5 算例与分析 |
6 结束语 |
(2)雾霾天气下的低空目标检测识别与威胁度评估(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 图像去雾技术的研究现状 |
1.2.2 目标检测与识别技术的研究现状 |
1.3 本文的主要工作及章节安排 |
2 雾霾天气下的低空目标特性 |
2.1 雾霾天气下的低空目标特性分析 |
2.1.1 常见低空目标的特点 |
2.1.2 雾霾天气的影响 |
2.1.3 地面复杂背景的干扰 |
2.2 低空目标检测识别的整体流程 |
2.3 本章小结 |
3 单帧图像的复原去雾方法 |
3.1 常用的去雾方法与质量评估 |
3.1.1 对比度增强去雾 |
3.1.2 基于Retinex去雾 |
3.1.3 基于暗通道去雾 |
3.1.4 去雾图像质量评估参数 |
3.1.5 性能对比测试 |
3.2 单帧图像的复原去雾 |
3.2.1 算法要点 |
3.2.2 算法实现 |
3.3 实验结果与分析 |
3.4 本章小结 |
4 结合数据驱动型和知识驱动型的低空目标检测与识别 |
4.1 常用的目标检测与识别方法 |
4.1.1 由下而上的数据驱动型 |
4.1.2 由上而下的知识驱动型 |
4.1.3 基于深度学习的目标检测 |
4.1.4 基于视觉注意的目标检测 |
4.2 结合数据驱动型和知识驱动型的低空目标检测与识别 |
4.2.1 低空目标检测与识别方案的整体结构 |
4.2.2 基于灰度投影的目标检测方法 |
4.2.3 基于变异系数法的特征降维 |
4.2.4 相似性度量方法 |
4.2.5 基于特征融合的目标识别方法 |
4.3 检测与识别的实验与质量评价 |
4.3.1 检测和识别的质量指标 |
4.3.2 实验结果分析 |
4.4 本章小结 |
5 低空目标的威胁度评估与跟踪报警 |
5.1 威胁度评估方案 |
5.1.1 相关评估内容确定 |
5.1.2 评估表的建立 |
5.2 威胁度计算 |
5.2.1 威胁度指标的计算 |
5.2.2 低空目标的威胁度因子计算 |
5.3 危险目标的跟踪与报警 |
5.3.1 目标跟踪的主要方法 |
5.3.2 危险目标的跟踪报警 |
5.4 本章小结 |
6 总结与展望 |
致谢 |
参考文献 |
附录 |
(3)基于小波和仿射不变矩特征融合的舰船型号识别(论文提纲范文)
0 引言 |
1 不变矩 |
1.1 小波矩 |
1.2 仿射不变矩 |
2 特征向量的建立 |
2.1 特征提取 |
2.2 特征选择 |
2.3 特征融合 |
3 基于组合矩特征的舰船型号识别 |
4 实验仿真与结果分析 |
4.1 样本构造 |
4.2 实验仿真与结果分析 |
5 结语 |
(4)基于PCNN和矩特征的遥感图像目标识别研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 引言 |
1.2 课题研究背景和意义 |
1.3 国内外研究现状 |
1.4 本文主要工作及结构安排 |
第2章 遥感图像的获取及预处理 |
2.1 引言 |
2.2 遥感图像的获取 |
2.3 遥感图像预处理 |
2.3.1 灰度化 |
2.3.2 去噪 |
2.3.3 图像增强 |
2.3.4 尺寸调整 |
2.4 本章小结 |
第3章 基于PCNN的遥感图像分割技术 |
3.1 引言 |
3.2 PCNN的基本理论 |
3.2.1 典型PCNN的基本模型 |
3.2.2 参数说明 |
3.2.3 PCNN的特性 |
3.3 基于PCNN的遥感图像分割 |
3.3.1 遥感图像分割的常用方法 |
3.3.2 PCNN图像分割的原理 |
3.3.3 存在的不足及其改进 |
3.4 基于引力搜索算法参数优化的PCNN遥感图像分割 |
3.4.1 PCNN模型优化 |
3.4.2 基于引力搜索算法的PCNN参数优化 |
3.4.3 基于参数优化的PCNN遥感图像分割 |
3.5 实验及结果分析 |
3.6 本章小结 |
第4章 基于矩特征融合的遥感图像目标特征提取 |
4.1 引言 |
4.2 目标识别的常用特征 |
4.2.1 颜色特征 |
4.2.2 纹理特征 |
4.2.3 形状特征 |
4.2.4 组合特征 |
4.3 图像特征规范化 |
4.4 基于小波和仿射不变矩特征融合的遥感图像目标特征提取 |
4.4.1 小波和仿射不变矩的基本理论 |
4.4.2 特征向量的建立 |
4.4.3 特征评价 |
4.4.4 特征融合 |
4.5 实验及结果分析 |
4.6 本章小结 |
第5章 遥感图像目标的自适应识别 |
5.1 引言 |
5.2 目标识别的常用方法 |
5.2.1 距离匹配 |
5.2.2 人工神经网络 |
5.2.3 支持向量机 |
5.3 目标识别算法的性能评价 |
5.3.1 检测率 |
5.3.2 识别率 |
5.3.3 虚警率 |
5.3.4 消耗时间 |
5.4 飞机识别全过程 |
5.4.1 算法整体流程设计 |
5.4.2 飞机目标粗定位 |
5.4.3 飞机目标精确识别 |
5.5 实验结果及其分析 |
5.6 本章小结 |
第6章 工作总结与研究展望 |
6.1 工作总结和创新点 |
6.2 未来研究展望 |
参考文献 |
攻读硕士期间发表的学术论文和专利 |
致谢 |
(5)显着图和多特征结合的遥感图像飞机目标识别(论文提纲范文)
0 引言 |
1 算法整体流程设计 |
2 飞机目标粗定位 |
2.1 图像预处理 |
2.2 提取显着图 |
2.3 定位候选目标 |
3 飞机目标精确识别 |
3.1 特征提取 |
3.1.1 提取MSA |
3.1.2 提取Pseudo-Zernike矩 |
3.1.3 提取Harris-Laplace特征区域的梯度仿射不变矩 |
3.2 特征评估与结合 |
3.3 训练识别 |
3.4 飞机识别性能指标 |
4 实验及结果分析 |
5 结论 |
(6)基于多特征融合的多视点飞机目标识别算法(论文提纲范文)
引言 |
1 算法整体流程设计 |
2 算法识别过程 |
2.1 多视点下飞机图像数据库的建立和预处理 |
2.2 图像特征提取 |
2.3 SVM分类器训练 |
2.4 DSm T模型及信度赋值构造 |
2.5 DSm T融合及判定飞机类别 |
3 实验 |
3.1 建立多试点下飞机图像数据库 |
3.2 实验结果及分析 |
4 结论 |
(7)基于多分类器融合的多视点飞机目标识别算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的背景和意义 |
1.2 飞机目标识别的发展和国内外研究现状 |
1.3 本文主要研究内容和创新点 |
1.4 本文的组织结构 |
第2章 飞机目标识别的关键技术介绍和分析 |
2.1 飞机目标识别的流程 |
2.2 飞机图像数据库的建立 |
2.3 飞机图像的预处理 |
2.3.1 灰度化 |
2.3.2 去噪 |
2.3.3 调整图像尺寸 |
2.4 飞机图像的特征提取 |
2.4.1 光谱特征 |
2.4.2 纹理特征 |
2.4.3 形状特征 |
2.5 飞机目标的识别方法 |
2.5.1 人工神经网络分类器 |
2.5.2 支持向量机分类器 |
2.5.3 多分类器融合 |
2.6 飞机目标识别中干扰因素及评价标准 |
2.6.1 飞机目标识别的干扰因素 |
2.6.2 飞机目标识别的性能评价 |
2.7 本章小结 |
第3章 基于DSmT理论的多分类器融合飞机目标识别算法 |
3.1 算法整体流程设计 |
3.2 算法识别过程 |
3.2.1 多视点下飞机图像数据库的建立和预处理 |
3.2.2 图像特征提取 |
3.2.3 SVM分类器训练 |
3.2.4 DSmT模型及信度赋值构造 |
3.3 实验 |
3.3.1 实验结果 |
3.3.2 实验结果分析 |
3.4 本章小结 |
第4章 基于极限学习机的多分类器融合飞机目标识别算法 |
4.1 算法设计 |
4.2 图像样本数据库的建立 |
4.3 图像特征提取 |
4.3.1 小波矩 |
4.3.2 Zernike矩 |
4.3.3 傅立叶描述子 |
4.4 构建ELM模块 |
4.4.1 单隐层前馈神经网络 |
4.4.2 极限学习机 |
4.4.3 构建ELM模块 |
4.5 构造融合算法 |
4.6 实验 |
4.6.1 实验结果 |
4.6.2 实验结果分析 |
4.7 本章小结 |
第5章 本文总结与展望 |
5.1 本文总结 |
5.2 研究展望 |
参考文献 |
攻读硕士期间发表的论文情况和参加科研情况 |
致谢 |
(8)遥感图像飞机目标检测与识别算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的背景和意义 |
1.2 飞机目标识别的发展和国内外研究现状 |
1.3 存在的问题 |
1.4 本文结构设计 |
第2章 遥感图像飞机目标识别的关键技术 |
2.1 飞机目标检测与识别流程 |
2.2 遥感图像的获取 |
2.3 图像的预处理 |
2.3.1 灰度化 |
2.3.2 去噪 |
2.3.3 图像增强 |
2.3.4 调整图像尺寸 |
2.4 飞机目标识别的特征提取 |
2.5 图像特征规范化 |
2.6 飞机目标识别方法 |
2.6.1 距离匹配 |
2.6.2 神经网络 |
2.6.3 支持向量机 |
2.7 飞机目标识别的干扰因素 |
2.8 飞机目标识别算法的性能评价 |
2.8.1 检测率 |
2.8.2 识别率 |
2.8.3 综合评价指标 |
2.8.4 虚警率 |
2.8.5 消耗时间 |
2.9 本章小结 |
第3章 基于显着图和多特征结合的遥感图像飞机目标识别 |
3.1 算法整体流程设计 |
3.2 飞机目标粗定位 |
3.2.1 图像预处理 |
3.2.2 提取显着图 |
3.2.3 定位候选目标 |
3.3 飞机目标精确识别 |
3.3.1 特征提取 |
3.3.2 特征评估与结合 |
3.3.3 训练识别 |
3.3.4 飞机识别性能指标 |
3.4 实验及结果分析 |
3.5 本章小结 |
第4章 基于图像熵和形状特征的飞机目标检测算法 |
4.1 算法描述 |
4.2 图像预处理 |
4.2.1 改进的彩色中值滤波 |
4.2.2 彩色图像灰度化 |
4.3 计算图像熵 |
4.4 特征提取 |
4.4.1 归一化转动惯量 |
4.4.2 奇异值分解 |
4.4.3 仿射不变矩 |
4.5 特征分析与融合 |
4.6 实验及结果分析 |
4.6.1 实验图像库 |
4.6.2 训练识别 |
4.6.3 实验结果与分析 |
4.7 本章小结 |
第5章 本文工作总结与研究展望 |
5.1 本文工作总结和创新点 |
5.2 未来研究展望 |
参考文献 |
攻读硕士期间发表的论文情况和参加科研情况 |
致谢 |
(9)采用多形状特征融合的多视点目标识别(论文提纲范文)
1 引言 |
2 基于骨架约束的特征角点提取 |
2.1 角点检测 |
2.2 特征角点提取及角点描述子 |
3 特征融合及独立成分分析 (ICA) |
3.1 矩特征及其归一化 |
3.2 傅里叶描述子 |
3.3 加权特征融合及ICA分析 |
4 实验结果与分析 |
4.1 构建实验数据样本 |
4.2 实验结果与分析 |
5 结论 |
(10)基于特征融合的遥感图像飞机目标识别研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的背景和意义 |
1.2 飞机识别研究现状 |
1.2.1 国内外飞机识别研究现状 |
1.2.2 特征点和不变矩的研究概况 |
1.3 本文的主要研究内容和创新点 |
1.4 本文的结构设计 |
第2章 遥感图像飞机目标识别的关键技术 |
2.1 遥感图像预处理 |
2.1.1 灰度化 |
2.1.2 去噪 |
2.1.3 调整大小 |
2.2 飞机识别的常用特征 |
2.2.1 颜色特征 |
2.2.2 纹理特征 |
2.2.3 形状特征 |
2.3 飞机识别的常用方法 |
2.3.1 神经网络 |
2.3.2 支持向量机 |
2.3.3 聚类识别 |
2.3.4 距离匹配 |
2.4 飞机识别的影响因素 |
2.4.1 环境背景的干扰 |
2.4.2 拍摄角度和分辨率 |
2.4.3 目标自身的特点 |
2.5 算法性能评价方法 |
2.5.1 检测率 |
2.5.2 识别率 |
2.5.3 虚警率 |
2.5.4 消耗时间 |
2.6 本章小结 |
第3章 基于特征点和不变矩的遥感图像飞机目标识别研究 |
3.1 算法流程设计 |
3.2 图像预处理 |
3.3 特征提取与描述 |
3.3.1 Harris-Laplace 角点 |
3.3.2 Delaunary 三角网 |
3.3.3 Zernike 不变矩 |
3.3.4 圆投影特征 |
3.3.5 颜色不变矩 |
3.4 粗匹配过程 |
3.5 Meanshift 自适应聚类 |
3.6 精匹配过程 |
3.7 实验结果及分析 |
3.8 本章小结 |
第4章 基于显着图和不变矩的遥感图像飞机目标识别 |
4.1 算法设计 |
4.2 提取显着图 |
4.3 提取候选目标 |
4.4 图像灰度化 |
4.5 特征提取 |
4.5.1 仿射不变矩提取方法 |
4.5.2 Pseudo-Zernike 矩提取方法 |
4.6 特征提取与融合 |
4.6.1 特征提取 |
4.6.2 特征融合 |
4.7 相似性度量 |
4.8 实验结果与分析 |
4.9 飞机检测结果 |
4.10 本章小结 |
第5章 本文总结与研究展望 |
5.1 本文总结 |
5.2 研究展望 |
参考文献 |
攻读学位期间发表的论文和参加科研情况 |
致谢 |
四、基于飞机目标的仿射不变矩研究(论文参考文献)
- [1]基于多特征的BP神经网络LSS目标识别方法[J]. 卞伟伟,邱旭阳,辛振芳,贾彦翔. 计算机仿真, 2021(04)
- [2]雾霾天气下的低空目标检测识别与威胁度评估[D]. 沈玉姣. 南京理工大学, 2019(06)
- [3]基于小波和仿射不变矩特征融合的舰船型号识别[J]. 陈慧珺,李垣江,王建华. 舰船科学技术, 2017(15)
- [4]基于PCNN和矩特征的遥感图像目标识别研究[D]. 陈慧珺. 江苏科技大学, 2017(02)
- [5]显着图和多特征结合的遥感图像飞机目标识别[J]. 吴喆,曾接贤,高琪琪. 中国图象图形学报, 2017(04)
- [6]基于多特征融合的多视点飞机目标识别算法[J]. 曾接贤,季康. 南昌航空大学学报(自然科学版), 2016(02)
- [7]基于多分类器融合的多视点飞机目标识别算法研究[D]. 季康. 南昌航空大学, 2016(01)
- [8]遥感图像飞机目标检测与识别算法研究[D]. 高琪琪. 南昌航空大学, 2015(06)
- [9]采用多形状特征融合的多视点目标识别[J]. 李平,魏仲慧,何昕,何丁龙,何家维,梁国龙,凌剑勇. 光学精密工程, 2014(12)
- [10]基于特征融合的遥感图像飞机目标识别研究[D]. 付俊. 南昌航空大学, 2014(02)