检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

光学遥感图像海面船舶目标检测技术进展

光学精密工程 2021年第4期29卷 916-931页

作者：徐芳刘晶红孙辉王腾龙王宣中国科学院长春光学精密机械与物理研究所航空光学成像与测量重点实验室吉林长春130033 中国电力工程顾问集团东北电力设计院有限公司吉林长春130021

海面船舶目标检测一直是遥感图像处理、模式识别与计算机视觉等领域的研究热点,船舶作为海上运输载体和重要军事目标,对其进行自动检测在军用与民用领域有着广阔的应用前景和重要现实意义。本文梳理了用于海面船舶目标检测的光学成像卫... 详细信息

海面船舶目标检测一直是遥感图像处理、模式识别与计算机视觉等领域的研究热点,船舶作为海上运输载体和重要军事目标,对其进行自动检测在军用与民用领域有着广阔的应用前景和重要现实意义。本文梳理了用于海面船舶目标检测的光学成像卫星的发展情况,分析了光学遥感成像船舶目标的物理特性和特征,归纳了国内外该领域海面船舶检测技术研究现状,围绕构建相关目标检测模型和架构的相关理论与关键技术进行了分析、比较和总结,探讨了当前光学遥感图像船舶目标检测方法面临的问题与挑战以及未来的发展趋势。

关键词：遥感成像图像处理船舶检测候选区域提取图像数据集

基于图像分割和密度聚类的遥感动目标分块提取

在线全文

学校读者我要写书评

暂无评论

北京航空航天大学学报 2018年第12期44卷 2510-2520页

作者：林翊钧吴凤鸽赵军锁中国科学院大学北京100190 中国科学院软件研究所北京100190

大幅宽遥感图像的动目标检测研究中,卷积神经网络虽然取得了显著效果,但算法存在目标搜索空间庞大、模型极其消耗时间及计算资源的问题,因此本文从目标区域预筛选的角度给出了针对性优化方法。首先,基于局部误差处理的策略,改进了现有... 详细信息

大幅宽遥感图像的动目标检测研究中,卷积神经网络虽然取得了显著效果,但算法存在目标搜索空间庞大、模型极其消耗时间及计算资源的问题,因此本文从目标区域预筛选的角度给出了针对性优化方法。首先,基于局部误差处理的策略,改进了现有的图像分割算法来粗糙地提取动目标可能存在的区域。然后,以相邻区域合并、减少总数量和面积为目的,设计了一种基于空间约束的密度聚类算法——SC-DBSCAN,其以分治思想来降低问题的规模,通过空间尺寸的先验约束自适应地将数据划分为多个相互独立的簇,并针对簇的复杂程度选择相应的合并策略,在复杂簇中,考虑到合并结果与对象遍历顺序相关,易陷入局部最优,引入基于模拟退火思想的随机扰动有效提升了输出的图像块质量。最终,通过减少模型推断次数及避免目标的重复检测,显著地改进动目标检测的整体效率。

关键词：遥感视频动目标检测候选区域提取帧间差分空间密度聚类模拟退火

基于改进R^(2) CNN 的遥感图像船舶检测方法研究

在线全文

学校读者我要写书评

暂无评论

中国航海 2023年第2期46卷 106-112页

作者：林堉斌邵哲平林盛泓集美大学航海学院福建厦门361021 集美大学船舶辅助导航技术国家与地方联合工程研究中心福建厦门361021

为深入研究光学遥感图像中的船舶检测问题,提升检测精度和降低模型复杂度,设计基于改进旋转区域卷积和神经网络(Rotational Region Convolutional Neural Networks),R^(2)CNN的两阶段旋转框检测模型。在模型的第一阶段使用水平框作为候... 详细信息

为深入研究光学遥感图像中的船舶检测问题,提升检测精度和降低模型复杂度,设计基于改进旋转区域卷积和神经网络(Rotational Region Convolutional Neural Networks),R^(2)CNN的两阶段旋转框检测模型。在模型的第一阶段使用水平框作为候选区域;在模型第二阶段引入水平框预测分支,并且设计一种间接预测角度的回归模型;在测试阶段进行旋转框非极大值抑制时,设计基于掩码矩阵的旋转框IoU(Intersection over Union)算法。试验结果显示:改进R^(2)CNN模型在HRSC2016(High Resolution Ship Collection 2016)数据集上取得81.0%的平均精确度,相比其他模型均有不同程度的提升,说明改进R^(2)CNN在简化模型的同时能有效提升使用旋转框检测船舶的性能。

关键词：船舶检测遥感图像卷积神经网络 R^(2)CNN模型旋转框检测候选区域提取

在线全文

学校读者我要写书评

暂无评论

基于CNN的SAR图像舰船目标检测算法

火力与指挥控制 2019年第1期44卷 40-44页

作者：曲长文刘晨周强李智李健伟海军航空大学山东烟台264001

为了提升合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测的精度和速度,对卷积神经网络(Convolutional Neural Network,CNN)在SAR图像舰船目标检测上进行了研究。通过改进OTSU方法对SAR图像进行分割,并且用最小外接矩形将... 详细信息

为了提升合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测的精度和速度,对卷积神经网络(Convolutional Neural Network,CNN)在SAR图像舰船目标检测上进行了研究。通过改进OTSU方法对SAR图像进行分割,并且用最小外接矩形将疑似目标标记出来;依据矩形中心在原始图像上提取出固定大小区域作为候选区域;将提取的目标通过训练好的卷积神经网络进行判定,去除虚警目标并将检测结果在原图中标记出来。实测数据的实验结果表明,该算法在降低虚警的同时提升了检测速度。

关键词：合成孔径雷达卷积神经网络目标检测图像分割候选区域提取

基于TensorFlow的交通标志识别算法研究

在线全文

学校读者我要写书评

暂无评论

基于TensorFlow的交通标志识别算法研究

作者：宋倩华东师范大学

学位级别：硕士

随着科技发展和人类进步,智能驾驶受到越来越多的关注。它的目的在于减少主观因素的影响,充分发挥智能系统的优点,确保交通更加安全方便舒适。智能驾驶的关键一环就是使用计算机视觉进行交通标志的识别,因此对它进行研究有着至关重要的... 详细信息

随着科技发展和人类进步,智能驾驶受到越来越多的关注。它的目的在于减少主观因素的影响,充分发挥智能系统的优点,确保交通更加安全方便舒适。智能驾驶的关键一环就是使用计算机视觉进行交通标志的识别,因此对它进行研究有着至关重要的意义。另外,近年来深度学习算法在理论层面发展很快,相关的新技术也被应用到各行各业中,TensorFlow就是一个在各个方面都表现比较好的深度学习的框架。本文使用基于深度学习的两步检测器,结合传统研究方法和深度学习的优点,探索包括交通标志预处理,交通标志分割和交通标志最终识别的算法,得到准确率高,稳定性高,处理速度快的算法,并通过TensorFlow平台实现整个系统。本文所做的工作主要为:在交通标志预处理方面,对Retinex算法进行改进,通过加入反馈自动调节高斯尺度大小,减少了图像增强过程中的色彩失真,使细节更为清晰。在交通标志分割方面,提出了HSV色彩空间粗分割与自适应分割算法相结合的方式来提取候选区域。首先使用HSV色彩空间快速去除大片冗余信息,并根据不同颜色设置识别的优先级,接着根据一幅图像中交通标志个数选择不同的方式提取候选区域,不仅减少了时间消耗,而且优化了性能,提高了算法准确率。在交通标志的识别方面,借鉴并改进了AlexNet卷积神经网络结构,解决了图像归一化问题,减少了网络的处理参数,优化了损失函数,最终提升了识别的准确率和速度。以上算法均在自建的交通标志库或German Traffic Sign Recognition Benchmark(GTSRB,德国交通标志库)上进行了实验验证。最终将整个系统在TensorFlow上实现,使用行车记录仪采集的视频验证了本文的算法,结果表明本文算法有一定的实用性,而且在准确率,鲁棒性和实时性等方面也表现较好。

关键词：交通标志识别 TensorFlow 图像增强候选区域提取卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于安检机X线图像的违禁品检测技术研究

基于安检机X线图像的违禁品检测技术研究

作者：刘益辄东北大学

学位级别：硕士

国内人员流动与日俱增,安全保障尤为重要,安检领域面临着重复性强且任务繁重的问题。现阶段的安检工作主要依靠人工检测,不仅效率较低而且容易出现错检、漏检问题。为了解决这个问题,缓解安检人员的工作压力,亟需设计一种违禁品X线图像... 详细信息

国内人员流动与日俱增,安全保障尤为重要,安检领域面临着重复性强且任务繁重的问题。现阶段的安检工作主要依靠人工检测,不仅效率较低而且容易出现错检、漏检问题。为了解决这个问题,缓解安检人员的工作压力,亟需设计一种违禁品X线图像辅助检测系统来帮助安检人员高效且准确地完成安检任务。本文首先建立了违禁品X线图像数据集,然后针对X线图像杂乱且违禁品尺寸差异大的特点,提出基于FM-RP-Net的违禁品X线图像检测算法。最后根据所设计的违禁品X线图像检测算法,实现了违禁品X线图像辅助检测系统。本文的工作和研究成果体现在以下几个方面:(1)建立违禁品X线图像数据集。本文采集6类5148张常见违禁品X线图像,并与公开违禁品X线图像数据集进行融合。针对违禁品X线图像中存在的噪声问题,使用图像去噪和增强算法改善图像质量。最后,使用软件标注X线图像中违禁品的类别和位置。(2)设计基于FM-RP-Net的违禁品X线图像检测算法。首先针对违禁品尺寸差异大的特点,在违禁品特征提取模块引入特征金字塔思想,设计多尺度特征融合结构,增强FM-RP-Net模型对不同尺寸违禁品的感知表达能力。然后,针对X线图像杂乱的特点,在违禁品候选区域提取模块提出违禁品位置预测算法,通过该算法预测可能包含违禁品的候选区域,设定阈值剔除无用的背景区域,精准定位违禁品的位置。最后,针对违禁品X线图像检测算法不同阶段的任务目标,引入多任务损失函数作为整个模型的目标优化函数。设计对比实验,实验结果表明本文提出的FM-RP-Net模型能够准确且快速地检测出违禁品。(3)实现违禁品X线图像辅助检测系统。本文使用QT图形界面应用程序以及C++编程语言,实现了违禁品X线图像辅助检测系统。系统包括用户登录模块、图像预处理模块以及违禁品X线图像检测模块。通过软件测试,验证软件系统的各模块功能效果。结果表明违禁品X线图像辅助检测系统能够自动检测出多种违禁品,对安检领域具有重要的实用价值。

关键词： X线图像违禁品检测特征融合候选区域提取软件设计

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的行人检测算法研究

基于深度学习的行人检测算法研究

作者：王玉辉北京工业大学

学位级别：硕士

随着城市汽车保有量的迅速增加,道路交通安全成为不可忽视的重要问题,车辆高级辅助驾驶系统(Advanced Driver Assistance Systems,ADAS)因此应运而生。ADAS是指利用汽车传感器以及计算机视觉等先进技术降低事故发生率的设备。行人检测... 详细信息

随着城市汽车保有量的迅速增加,道路交通安全成为不可忽视的重要问题,车辆高级辅助驾驶系统(Advanced Driver Assistance Systems,ADAS)因此应运而生。ADAS是指利用汽车传感器以及计算机视觉等先进技术降低事故发生率的设备。行人检测系统作为ADAS的重要组成环节,能够及时向驾驶员反映路况信息以达到提醒驾驶员安全驾驶的目的。由于道路交通参与者众多,因此情况通常比较复杂,如何设计出一个高效、安全的行人检测系统帮助驾驶员安全行驶成为一个颇具挑战性的课题。对于行人检测算法来说,精度和速度是极为重要的两个要求。精度保证了检测的时候减少对行人的漏检和误检。速度保证了系统能够快速检测到道路上的行人从而尽可能早地提醒司机及时做出反应,避免交通事故的发生。由于道路环境的复杂性,行人检测算法的检测准确度和实时性还存在一些问题,难以满足实际应用。针对上述问题,本文进行了如下的工作:首先,针对行人在部分自然场景图像中所占面积比例较小(以下简称小目标)、提取的特征容易丢失、检测准确率低的问题,提出基于候选区域和并行卷积神经网络的行人检测算法。首先,对于候选区域提取部分,改进了Selective Search,使其更符合行人这一单一类别的候选区域提取;然后,利用Edge Boxes对Selective Search提取的大量预候选区域进行过滤,最终得到数量少、质量高的候选区域。在利用卷积神经网络(Convolutional Neural Network,CNN)进行特征提取时,针对深层卷积神经网络能够提取到更丰富更抽象的高层特征,但同时对于小目标容易因池化等造成特征丢失的问题,加入浅层网络组成并行卷积神经网络(Parallel Convolutional Neural Network,PCNN)提取深、浅层特征同时输入到全连接层利用分类器分类。最后,将所提方法应用于行人检测。实验结果表明,所提方法对于小目标的检测准确率有较好的提升。其次,针对行人检测算法速度较慢的问题,本文在利用卷积神经网络进行特征提取的基础上加入了“坐标映射”的方法。采取将整张图像输入卷积神经网络代替将提取的成百上千的候选区域图像片段输入到卷积神经网络的做法,从而只需要对整张图像进行一次特征提取,然后在最后一个卷积层利用坐标映射的方法提取出特征图上的候选区域。通过利用坐标映射,一张图像由数以千百次的特征提取改为一次,不但避免了大量重复特征的提取,而且由于极大的降低了特征提取的次数,因而速度得到了很大的提升。同时,由于现有的坐标映射方法容易造成检测准确率的下降,本文对其进行改进,使得算法在提高检测速度的同时,检测精度也得以保持。最后,我们完成了一个行人检测系统的界面设计与功能实现,通过界面操作能够使得行人检测各步骤实施起来更加便捷。

关键词：行人检测卷积神经网络候选区域提取坐标映射空间金字塔池化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

交通标志检测识别算法研究与嵌入式设备应用

交通标志检测识别算法研究与嵌入式设备应用

作者：李欣芮电子科技大学

学位级别：硕士

近些年,随着辅助驾驶系统、智能交通系统、自动驾驶等技术的发展,交通标志的检测与识别成为至关重要的一环。道路交通标志的检测识别过程,通常针对采集、处理后的车辆行驶道路场景图像分别使用目标检测和目标识别算法,确定交通标志的位... 详细信息

近些年,随着辅助驾驶系统、智能交通系统、自动驾驶等技术的发展,交通标志的检测与识别成为至关重要的一环。道路交通标志的检测识别过程,通常针对采集、处理后的车辆行驶道路场景图像分别使用目标检测和目标识别算法,确定交通标志的位置、范围和类别。在传统的图像检测识别中,一般需要完成复杂的特征工程,而这种模式对特征的设计要求很高,往往需要具备尺寸不变性、旋转不变性、光照不变性等优良特性。随着深度学习的发展,高鲁棒性的检测识别结果在学术界引起广泛关注,然而这种结果却需要依靠海量数据集的支撑和复杂模型的训练来提高泛化效果,同时很难直接应用于嵌入式设备。传统图像处理的算法设计与目标任务存在直接联系且具备明显的可扩展性、透明性、研究性,与CNN相结合可以正好做到优势互补。因此本文就以道路交通标志为对象,分别对基于传统图像处理检测算法和基于轻量级CNN识别算法展开深入研究,同时基于Fast-RCNN框架将两者算法进行结合并在移动嵌入式设备上完成原型系统的设计与实现。其中主要研究工作如下:1.针对道路交通标志检测阶段,根据交通标志颜色和形状的宏观特性提出了多色彩空间的联合分割算法,在此基础之上又提出了基于区域生长的改进算法,对颜色分割后的二值图中的连通域进行消除和融合以获取含有完整交通标志的颜色区块,接着在处理颜色区块中提出了斜投影下的形状检测算法,使得提取到的交通标志样本得到变形恢复,最终实现了基于候选框提取并以LBP-SVM为分类器的传统交通标志检测算法。2.针对道路交通标志的识别阶段,在使用传统图像处理方法对数据集进行预处理和图像增强之后,提出了一种结合局部二进制模式下的轻量型卷积网络结构,完成了对道路交通标志的识别任务,并具有较高的鲁棒性。3.针对交通标志检测识别系统,提出了一种基于本文传统图像处理方法所设计的候选框提取算法与LB-Ghost轻量级CNN网络相结合的检测识别系统,为交通标志检测识别算法应用于搭载车载系统的嵌入式设备提供了一种可行方案。4.本文所提出的算法在德国交通标志数据集上均进行了相应的实验分析,并且基于移动嵌入式设备设计和实现了相应的原型系统。根据原型系统的性能测试显示,该算法基本可以应用于搭载车载系统的嵌入式设备中。

关键词：颜色分割区域生长候选区域提取 LB-Ghost网络 Fast-RCNN结构

基于卷积神经网络的隧道行人目标检测算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的隧道行人目标检测算法研究

作者：梅莹重庆大学

学位级别：硕士

隧道中行人目标的快速准确检测对保障隧道交通安全有着重要作用。相比于传统的机器学习检测算法卷积神经网络可以自动学习图像丰富的特征,具有较强的特征提取能力,基于卷积神经网络的行人检测算法在检测速度和检测精度上有明显优势。但... 详细信息

隧道中行人目标的快速准确检测对保障隧道交通安全有着重要作用。相比于传统的机器学习检测算法卷积神经网络可以自动学习图像丰富的特征,具有较强的特征提取能力,基于卷积神经网络的行人检测算法在检测速度和检测精度上有明显优势。但在隧道环境中,环境光照不足,监控视频图像模糊,噪声多,行人目标在隧道监控视频中目标小、像素低,难以发挥卷积神经网络特征提取能力强的优势。因此,研究基于改进卷积神经网络的隧道行人目标检测具有重要的理论和实际意义。近几年,R-CNN（Region-based Convolutional Neural Networks）系列卷积神经网络在目标检测方面取得了较好的效果。论文以Fast R-CNN和Faster R-CNN检测网络为基础,针对Fast R-CNN候选区域提取时间过长问题以及Faster R-CNN在隧道环境下行人特征提取效果不佳问题展开研究,提出了一种新的前景提取方法以及超分辨率网络与Faster R-CNN级联的行人目标检测网络,并对Faster R-CNN中的RPN（Region proposal network）网络和NMS（Non-maximum suppression）算法提出改进以提高检测精度。本文的主要工作和贡献如下:（1）论文首先介绍了Fast R-CNN检测网络,分析了Fast R-CNN算法中采用的Selective Search候选区域提取算法原理,针对Selective Search算法提取候选区域时间过长的问题,提出了采用速度更快的背景差分与帧间差分法相结合的前景提取方法,从而减少检测时间。（2）通过反卷积操作进行图像特征可视化分析,发现卷积神经网络在隧道环境下,对低分辨率行人目标提取的特征表达能力不足。针对该问题,提出了级联超分辨率网络与Faster R-CNN的新的SR-CNN行人目标检测网络。论文基于超分辨率重建实现对图像高频信息的补充,增加图像细节信息,使Faster R-CNN生成语义信息更丰富的特征图,从而提升检测精度。（3）针对Faster R-CNN中RPN网络提取候选区域时,采用的锚边框产生算法中Anchor候选框尺寸通过手工设计,没有利用行人的尺度先验信息,导致提取的候选窗口不够准确的问题,论文采用K-Means聚类算法对行人真实标注框进行统计得到锚边框的尺度,以生成更高质量的候选窗口,提高预测框回归的准确性,从而提升检测精度。（4）Faster R-CNN算法中处理重叠窗口时,采用基于固定阈值的贪心算法,会将超过阈值的重叠窗口删除,对重叠目标容易造成漏检。针对该问题,论文采用一种改进的非极大值抑制算法,设置一个分数衰减函数降低重叠窗口的分数,而不是直接置零,避免重叠目标的直接删除,该方法能有效减少重叠目标的漏检。综合上述改进,形成一种新的基于改进卷积神经网络的New-CNN行人目标检测网络模型。采集重庆高速公路隧道监控视频图像制作数据集,分别对改进网络模型进行训练和测试。实验结果表明,与原始Fast R-CNN和Faster R-CNN算法相比,论文提出的方法分别在检测速度和检测精度上有所提升,在实际隧道环境中也取得了较好的检测效果。

关键词：行人检测卷积神经网络候选区域提取 RPN网络非极大值抑制