一、空中快速小目标的检测方法（论文文献综述）
程擎,范满,李彦冬,赵远,李诚龙[1]（2021）在《无人机航拍图像语义分割研究综述》文中研究表明随着无人机技术的快速发展,无人机在研究领域和工业应用方面受到了广泛的关注。图像和视频是无人机感知周围环境的重要途径。图像语义分割是计算机视觉领域的研究热点,在无人驾驶、智能机器人等场景中应用广泛。无人机航拍图像语义分割是在无人机航拍图像的基础上,运用语义分割技术使无人机获得场景目标智能感知能力。介绍了语义分割技术和无人机的应用发展、相关无人机航拍数据集、无人机航拍图像特点和常用语义分割评价指标。针对无人机航拍的特点介绍了相关语义分割方法,包括小目标、模型实时性和多尺度整合等方面。综述无人机语义分割相关应用,包括线检测、农业和建筑物提取等方向,并分析无人机语义分割未来发展趋势和挑战。
楼晨风[2]（2021）在《线列红外成像系统目标检测关键技术研究》文中研究表明随着红外成像技术的不断发展,红外成像系统现已具有探测距离远,探测灵敏度高,抗干扰能力强,可全天时工作等优点,在工业,安防及国防领域发挥了重要作用。在红外成像系统中,红外目标的检测与识别算法扮演了重要角色。近年来,国产处理器蓬勃发展,但其种类与性能依然与世界先进水平存在一定差距,因此,本文立足于现有国产处理器平台,围绕复杂背景下红外目标检测的客观难点,提出了一种可扩展的异构计算框架,并设计了对应的红外目标算法。着重进行了:（1）针对线列扫描探测器优化的快速红外目标预检测算法研究。该算法针对线列探测器的带状噪声特点,定义了衡量离散像素圆度的指标,并提出了一种利用疑似目标的圆度对噪声和目标进行快速分类,最后利用局域分割得到目标的方法。该方法的计算速度具有较佳的伸缩性,在国产DSP上最高可提供4000万像素/秒的目标识别性能,同时具有低虚警率和优于典型实时检测算法的识别率。（2）基于梯度增强的红外小目标检测算法研究。该算法针对（1）中难以判别的场景,利用红外目标的梯度对称性和线列探测器校正方法存在的不足,提出了一种在梯度空间上对红外目标进行多尺度融合增强的算法。首先,计算图像四方向上的前向差分图,寻找差分图中的互补像素,增强互补像素的对比度,并积分还原图像,然后融合叠加不同尺度,不同方向的增强还原图像,最后利用背景杂波的峰-峰值计算自适应分割阈值,分割红外小目标。算法实验表明,该算法具有较佳的小目标检测能力,在高对比度的复杂场景下,具有优秀的识别率与虚警率,同时计算开销较低。（3）基于深度学习的红外目标检测难度估计算法。利用深度学习直接对红外小目标进行端到端检测存在缺少训练集的困难,而通过合理的阈值或参数设置,传统特征工程目标检测算法在红外小目标的识别率上仍具有提升空间,因此,本文提出一种名为iRCNN的多重网络阈值估计框架,利用多个子网对待检测区域进行阈值估计并加权获得预测阈值,且利用子网预测结果的分布特性导出预测阈值的可信度,最后综合两者以指导传统算法的阈值确定。实验表明,相较于Ranking-CNN,iRCNN网络结构更适合对算法阈值进行基于场景的动态估计,且效果优于人为设置的固定阈值或超参数。（4）基于运动特性建模的低帧率航迹匹配算法。由于线列红外探测器产生的图像帧率低,小目标帧间相关性差,传统的多帧红外小目标检测算法往往不能很好地对航迹进行估计,因此,本文对红外小目标的运动特性进行建模,利用小目标之前的运动特性估计目标机动能力,并以此确定搜索空间,最后利用搜索空间边界条件构建目标评价函数,对红外小目标进行自适应拟合,最终获得航迹。实验表明,该方法对机动目标具有良好的检测能力。（5）一种实时目标检测系统设计。针对我国对芯片生产独立自主的追求,利用本文所提及的各种技术,本文提出了一种异构计算框架,以融合DSP和通用计算机的优势实现实时目标检测。首先,在系统运行前,利用iRCNN网络对整个空域进行背景阈值预标定,以降低深度学习方法对性能的需求;其次,发挥DSP的实时处理能力,利用DSP对整个红外图像场景进行实时检测,产生对应的粗检测区域;然后,整合梯度空间小目标检测算法与iRCNN的预测阈值,对粗检测区域进行详细检测,分割获得疑似目标,并使用航迹匹配算法整合目标输出结果。该框架在提供较高性能的目标检测能力的前提下,通过充分优化算法流程,掩盖了线列扫描探测器的低实时性问题,具有较高的实用价值。
丁帅[3]（2021）在《机载红外小目标探测系统非均匀性校正技术研究》文中进行了进一步梳理机载红外搜索与跟踪系统（Infrared Search and Track,IRST）得益于其夜视、抗隐藏和穿透雾气等能力,在视觉监视和导弹制导等军事领域得到了广泛应用。通常探测的目标非常小,在焦平面上显示为暗点目标。成像过程中易受大气辐射、复杂天空背景及红外系统自身噪声等因素影响,造成红外图像中背景噪声的辐射强度高于点目标,导致点目标淹没在背景中或出现杂波,引起虚警现象。非均匀性噪声为长波红外成像系统的主要噪声来源,也是制约点目标探测达到背景极限的主要原因。因此,如何降低非均匀性噪声是红外小目标探测系统亟需解决的难题。目前,非均匀性校正方法主要分为两大类:标定类和场景类。标定类方法可分为一点、两点和多点校正方法,该类方法虽然简单易行,但无法对探测器响应非线性及漂移引起的非均匀性进行实时校正。场景类非均匀性方法有两种类型:（1）基于统计的场景校正法,此类方法依赖于像元辐射量在时间或空间上的数据统计假设,通过不断更新修正参数来完成非均匀性校正过程,其缺点是一旦某些应用场景难以满足其前提假设条件,则易产生鬼影现象。（2）基于配准的场景校正法,该类方法假设不同像素在特定时间段内对同一场景具有相同的响应,此种方法需要估计图像的帧间移动距离,算法计算量与存储量大,且误差容易累积和传递,工程上难以实现。本文在深入研究实验室标定法的基础上,针对两点标定法分析了探测器响应非线性、随机噪声、光学镜头及参考温度点选择等因素对其校正效果的影响,并通过实验对分析结果进行了验证,结果表明:（1）响应非线性及随机噪声均为红外探测系统带来了非均匀性校正误差,其中响应非线性可通过多点法来解决,但增加了工程应用的复杂性;随机噪声则带来了系统的探测非均匀性背景极限,低于该极限值的目标将被淹没在此背景极限中;（2）光学镜头首先会降低探测系统的信号传递效率,其次镜头自身的辐射及透过率非均匀性等因素会引入额外的噪声,严重影响两点法校正效果;（3）选择两参考温度点时应首先保证两参考点具有一定跨度,其次待校正点越靠近两参考点则校正效果越好;（4）探测器随时间漂移的现象在很大程度上造成了两点校正法的效果变差甚至针对实际天空场景时校正失败。本文通过研究长波红外探测器漂移对非均匀性校正效果的影响,提出一种基于天空背景的自适应实时探测器漂移补偿方法,该方法可自适应的选取天空背景作为参考辐射源,对场景进行校正。经实验验证,该方法对于天空背景具有良好的探测器漂移补偿效果,且相较于两点标定校正法,本文方法可将参考源相同序列图像校正后邻域标准差由原来的60降低到4.9,将参考源不同序列图像邻域标准差由60降低到10,从而有效降低了探测器漂移引起的非均匀性噪声。针对两点标定法的弊端及场景法的算法复杂性问题,本文提出一种基于相邻像元“比值-中值法”的场景非均匀性校正方法。该方法基于邻域像元灰度值一致性的假设,通过对其与邻域像元的灰度值比值做逐帧逐像素的计算,选出该比值的中值,并依次递推计算出校正系数矩阵。实验结果表明,该方法相较于两点标定法,在减少目标图像非均匀性方面效果良好,在不同季节、气象条件下可使红外小目标探测距离提高1.2-7.7倍。该方法的适用范围广,实时性好,可在飞行过程中随时进行而无需停止成像过程,此外,还从参数数量、算法过程和所需的输入数据量等方面大大降低了场景类非均匀性校正算法的复杂度,使其更易在工程中得到应用。
杨博[4]（2021）在《基于特征提取与数据关联的红外多目标跟踪方法研究》文中提出红外多目标跟踪技术无论是在军事领域还是民用领域都被广泛应用。由于其成像及场景特性所致,红外探测图像往往存在图像分辨率低、背景杂波严重等问题,致使红外多目标跟踪存在巨大挑战。针对现有红外多目标跟踪技术普遍存在的跟踪精度低和稳定性差等问题,通过构建目标多特征提取方法提高多目标跟踪算法的精度与鲁棒性;通过改进数据关联方法,在进一步提高多目标跟踪准确率的同时降低算法的时间复杂度,使得跟踪算法具备实时性要求。本文的主要工作如下:（1）针对空中不同红外目标相似度较高、背景噪声点较多和噪点与目标相似导致目标跟踪困难的问题,提出基于多特征融合与分层数据关联的空中红外多目标跟踪算法。首先,基于红外目标特性提取目标的表观特征、运动特征和尺度特征;其次,综合目标的多种特征信息设计初步关联方式,以排除误检目标干扰;接着,在第二层关联中,将目标按照尺度大小进行分类,对于不同类别目标采用不同特征组合方式;最后,使用匈牙利算法对检测结果进行分配。实验表明本算法能够有效跟踪星空背景下的红外多目标。（2）针对红外行人场景中不同行人目标相似度高、目标容易被遮挡等带来的行人目标跟踪挑战,提出基于多方向邻域与轨迹置信度的红外行人多目标跟踪算法。首先,根据交并比计算目标间的重叠程度,初始化轨迹信息;其次,根据行人目标检测结果构建多方向邻域表观特征及运动特征,以减少遮挡对目标匹配的影响;然后,计算数据关联并根据数据关联结果更新轨迹状态;最后,基于轨迹的历史信息与当前时刻的状态信息构建轨迹置信度并判断轨迹的可靠程度。实验结果表明该方法不仅可以较好解决行人间的遮挡问题,还可提高多目标跟踪精度并改善算法运行速度。（3）设计并实现红外多目标跟踪系统。系统基于Qt开发,包含红外目标检测、多目标跟踪、多波段图像融合三大功能模块。其中,目标检测模块包含多种检测算法,能应对不同复杂场景给目标检测带来的困难;多目标跟踪模块包含轨迹初始化与轨迹估计两部分内容,可有效跟踪多目标;多波段图像融合模块中的不同融合算法,能满足多种探测场景融合需求。
宋登辉[5]（2021）在《基于深度学习的无人机识别的研究与实现》文中指出随着集成控制以及人工智能等相关技术的发展以及产品成本的下降,在消费级领域,无人机的体积越来越小、性能越来越高,并且操控越来越简单,逐渐受到消费者的青睐,其市场门槛的降低也使得普通民众能够随时随地的享受无人机带来的喜悦和便利。但是,如果无人机被肆意放飞和非法使用,也会对航空和其他领域带来重大安全隐患,因此,如何快速准确地对空中的无人机进行识别显得尤为重要。本文致力于基于深度学习的无人机识别的研究与实现,主要解决背光目标识别以及小目标识别的问题。影响基于深度学习算法效果的因素主要有数据、网络结构与损失函数等方面,之前的研究主要针对算法的网络结构和损失函数等方面的优化,然而本文则聚焦于数据方面。本文针对无人机识别过程中背光目标识别困难以及小目标识别准确率低的问题,给出了相应的解决方案。本文主要创新点及贡献如下:1)提出了引入二值化的Bi-CycleGAN算法,提升检测模型对背光无人机泛化能力。对于数据集中背景复杂、无法直接使用图像二值化进行转化的实景图像,提出引入二值化的Bi-CycleGAN算法,降低原始CycleGAN算法对数据集的依赖程度,能够将实景图像中的无人机转化成黑色,实现对背光无人机目标的拟合,改变数据集中背光无人机目标分布不均衡问题,进而提升目标检测模型对背光无人机识别的泛化能力。2)提出了一种基于图像金字塔的数据增强方法,提升检测模型对小目标识别的精度。该方法可以将单个图像金字塔生成的不同尺寸的图像组合成一张新的图像,新的组合图像可以在不改变原图中目标信息的基础上增加每张图像中小目标的数量,克服原有方法的复杂性;通过这种由单张图像生成一张新的组合图像增强,可以改变训练集中小目标分布不均衡的问题,从而提升目标检测模型对小目标的识别精度和泛化能力。3)实现了无人机识别实验验证系统。将目标检测算法移植到边缘处理器上,使得边缘服务器实现对无人机的识别,通过实验验证了对无人机的检测效果。
管学伟[6]（2021）在《机载IRST小目标检测技术研究》文中认为机载红外搜索跟踪系统（Infrared Search and Track System,IRST）能够快速发现并锁定敌方目标,有效增强了载机对战场态势的感知能力;具备较高的测角测距精度,能为武器打击系统提供精确的信息支撑;被动式探测原理,抗电子战干扰强,隐蔽性能好,能够提升载机的战场生存能力。因此,IRST系统是现代战机综合式航电系统的重要组成部分。“先敌打击”的前提是“先敌发现”,为了尽可能早地发现目标,探测距离是机载IRST的关键指标。在远距离成像条件下,目标在红外图像中的尺寸小,信号强度弱,表现为弱小特征,给检测带来了挑战;由于成像场景的复杂性,目标容易受到噪声及杂波的干扰,进而会降低机载IRST的作战效能;此外,战场环境是多变的,这对检测的适应性也提出了更高的要求。本文以新一代机载红外搜索跟踪系统工程研制为应用背景,围绕机载IRST小目标检测技术开展了研究,致力于提升机载IRST目标检测系统在复杂背景下对远距离目标的探测能力,增强其场景鲁棒性。论文的主要内容包括以下几个方面:（1）红外成像预处理方法研究。好的成像质量是高性能红外小目标检测的基础。本文对影响红外成像质量的各种因素进行了分析,重点研究了红外图像的非均匀校正、无效像元补偿以及随机噪声抑制方法。在分析典型非均匀校正方法的基础上,结合机载IRST工程实际应用,提出了一种两点定标联合实时定标偏移系数的非均匀校正方法,形成了一套完整的机载IRST成像预处理技术方案,改善了成像质量。（2）红外小目标检测的基础理论方法研究。本文对红外小目标图像的特性进行了分析,总结了红外背景和小目标的关键特性（背景的局部连续性和非局部相关性,小目标的局部显着性和全局稀疏性）,明确了红外小目标检测任务的特点,描述了红外小目标检测算法的一般框架。对基于红外块的小目标检测模型进行了介绍,阐明了背景张量的低秩性和目标张量的稀疏性,并介绍了一些相关的数学概念,为后续研究奠定了基础。（3）提出了一种基于高斯尺度空间局部对比度的红外小目标检测方法。受人类视觉系统特性启发,该方法将高斯尺度空间与局部对比度有机结合起来,在尺度图像上计算局部对比度,通过下采样直接获得图像局部区域的灰度特征,使得图像局部特征的提取更加合理高效,从而有更好的背景抑制和目标增强效果。同时,该方法利用了小目标的极值点属性,设计了新的局部对比度计算形式,将滑窗的尺寸与尺度图像的尺度因子对应起来等,从而获得了出色的检测性能且运算效率高,具有较高的工程应用价值。（4）提出了一种基于张量平均秩非凸代理的红外小目标检测方法。该方法在红外块张量模型的基础上,从背景张量低秩特性的度量和局部先验信息的利用入手,采用最小化的部分和平均张量核范数来约束背景张量,利用高斯尺度空间局部对比度方法得到的目标显着图作为先验信息来权重稀疏目标张量,缓解了核范数带来的背景分离偏差,融合了局部先验和非局部先验检测方法的优势,加快了模型的收敛速度。大量实验测试表明,该方法在机载IRST典型应用场景中具有优越的性能。（5）提出了一种基于Laplace函数非凸张量秩代理的红外小目标检测方法。该方法采用奇异值的Laplace函数来度量背景张量的低秩特性,其能更好的逼近奇异值的0范数,从而获得了更好的背景分离效果;将一种局部对比度能量特征作为先验信息融合到基于红外块张量的检测模型中;结构稀疏正则项也被引入,进一步抑制了那些具有稀疏属性的结构性杂波干扰。该方法能够在复杂背景下显着增强小目标,抑制各种形态的背景杂波干扰,具有较强的场景适应性和抗噪能力。（6）研制了一套基于双片多核DSP+FPGA的小目标检测系统。结合机载红外搜索跟踪系统的工程实际,提出了联合检测策略,设计了实时信号处理平台,搭建了测试环境,并对系统进行了测试。本文所提出的技术方法均经过了大量的实验测试,并在与同类方法对比中表现优异,提升了机载IRST在复杂背景下的小目标检测性能,解决了工程应用中的具体问题,为新一代机载红外搜索跟踪系统的工程研制提供了有力支撑。
李赟玺[7]（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》文中进行了进一步梳理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。
李玉虎[8]（2020）在《运动摄像机下飞机目标检测、识别与跟踪方法研究》文中指出近年来,我国面临着错综复杂的国家安全形势,防空的任务愈加繁重,防空预警和反制更加困难,因此,一系列新式地空武器系统开始列装部队,在训练和教学中,若完全采用传统实弹训练方式,不仅不利于针对性的训练和提高,也不符合军费效能最大化利用的实际需求。因此研制配套训练系统,对针对性训练和节省军费开支具有较强的现实意义。在训练过程中,训练操作指令触发和训练成绩的评估均基于飞机目标的检测,针对低空飞机目标,由移动摄像机获取天空画面,通过视频处理技术进行目标的检测、识别与跟踪。具体研究可分为如下四部分:（1）运动目标检测。摄像机运动会引起视频画面的背景运动,传统目标检测方法难以将运动目标准确提取,本文提出了基于区域评分和运动补偿的方法进行运动目标检测,并提出了基于HSI（色调、饱和度、亮度）颜色空间和运动一致性的碎片整合方法,通过与其他算法对比,在多云和半空背景下本文算法检测准确度改善明显。（2）目标类型识别。在运动目标检测的基础上,近一步对运动目标类型进行识别,本文首先对基于候选区域的R-CNN（区域卷积神经网络）系列算法和基于回归的YOLO（You Only Look Once）系列算法进行分析,然后针对小目标识别的需求,对YOLO V3进行改进,主要表现在基于更大尺度的特征图进行目标检测,并且在检测网络中引入残差网络。建立飞机目标数据集,训练改进网络,通过对改进YOLO V3,未改进YOLO V3,Faster R-CNN算法进行实验对比,结果表明,相比未改进前单帧耗时略有增加,但改进后的网络对小目标的识别能力提升明显。（3）目标跟踪。由于运动目标检测和目标识别算法的单帧处理速度难以满足实时性要求,需要跟踪算法替代部分检测识别工作,本文通过对DSST（区分尺度空间跟踪器）、KCF（核相关滤波）、TLD（学习检测跟踪）、Camshift（连续自适应均值漂移）跟踪进行对比实验,结果表明,DSST算法单目标跟踪帧率可达到95FPS以上,能够适应目标的尺度变化。（4）系统集成。首先介绍了系统集成思路和框架,主要思路是以少数帧的检测识别结果创建跟踪器对后续序列进行目标跟踪,达到提升整体处理速度的目的。主要包括跟踪目标获取,跟踪器创建与更新,离开目标跟踪器删除,飞行趋势判别等,实验结果表明集成系统的检测准确率达81%以上,处理帧率在18～35FPS之间,基本满足实时性要求。
李妍慧[9]（2020）在《基于无人机平台的实时人脸识别技术研究》文中研究表明人脸识别是广泛应用的身份验证方式之一,尤其在非接触身份验证领域具有不可替代的优势。显然,在开放式户外场所进行目标追踪时,由于固定式人脸识别模式存在监控死角、无法机动等天然不足,而必须使用移动模式。传统的移动人脸识别属于地面机动方式,可以较好地解决上述缺陷,但仍存在诸如建筑物遮挡、平面机动受限、视野较窄等问题。因此,随着无人机的普及应用,近年来基于无人机实现高机动跟踪监控的技术成为研究热点。本文针对多维视角跟踪识别目标人物、特殊环境和紧急情况下快速识别目标的需求,对如何搭建灵活便携的智能化无人机平台及实现在移动设备上的快速人脸识别功能等问题进行了较为深入探讨。首先对常用的地空主从式人脸识别工作模式进行了研究分析,基于无人机智能化的概念,提出了一种基于无人机平台的地空协同、检判一体的快速人脸识别工作模式。其次,针对无人机存在计算资源和能源有限,而传统的人脸识别方法复杂度高、特征学习主动性不强、实时性差等不足,对人脸检测和匹配方法开展研究分析比对,选用Tiny YOLO实现人脸检测,选用FaceNet实现人脸匹配,并且为满足其能在无人机平台上达到运行速度和运行时长的要求,在保证人脸识别质量的前提下,对上述模型进行了优化处理。在此基础上,为实现无人机平台的实时图像处理,深入研究了可用的硬件设备,选用了嵌入式视觉设备树莓派和英特尔神经计算棒,构建无人机计算平台。最后,给出了无人机人脸识别平台的硬件和软件设计方案并在模拟实验环境下予以实现和测试。测试结果表明,本文研究成果可以工作于多种工作模式,在保证人脸识别性能不变或基本不变的前提下,提高或明显提高处理速度,满足实时人脸识别的要求。
林俤[10]（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。
二、空中快速小目标的检测方法（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、空中快速小目标的检测方法（论文提纲范文）
（1）无人机航拍图像语义分割研究综述（论文提纲范文）
| 1 语义分割技术 |
| 1.1 语义分割介绍 |
| 1.2 语义分割发展 |
| 1.3 常用评价指标 |
| 2 无人机航拍图像及数据集 |
| 2.1 无人机航拍图像特点 |
| 2.2 常用数据集 |
| 3 无人机航拍图像语义分割算法研究 |
| 3.1 典型方法分析 |
| 3.2 小目标检测分割 |
| 3.3 实时性 |
| 3.4 多尺度和上下文信息 |
| 4 无人机航拍图像语义分割应用研究 |
| 4.1 线检测 |
| 4.2 农业 |
| 4.3 建筑物提取 |
| 4.4 无人机航拍图像语义分割应用模型讨论 |
| 5 总结与展望 |
（2）线列红外成像系统目标检测关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 红外目标算法相关研究现状 |
| 1.2.1 主流红外小目标检测方法及特点 |
| 1.2.2 主流多目标航迹匹配方法及特点 |
| 1.3 本文内容及章节安排 |
| 1.3.1 研究动机 |
| 1.3.2 主要研究内容 |
| 1.3.3 论文章节安排 |
| 第2章 基于像素聚拢度的快速红外目标检测方法 |
| 2.1 研究背景 |
| 2.2 目标特征分析 |
| 2.2.1 线列探测器的带状噪声 |
| 2.2.2 Robinson-Guard滤波器的优缺点 |
| 2.2.3 像素聚拢度 |
| 2.2.4 像素聚拢度的作用 |
| 2.2.5 利用像素聚拢度和目标能量扩展Robinson-Guard滤波器 |
| 2.3 目标识别算法设计 |
| 2.3.1 窗口分布热力图 |
| 2.3.2 目标概率图 |
| 2.3.3 算法流程与参数确定 |
| 2.4 算法性能评价 |
| 2.4.1 在线列探测器真实图像上的性能评价 |
| 2.4.2 在线列探测器合成图像上的性能评价 |
| 2.4.3 在公开红外数据集上的评价 |
| 2.4.4 算法运行速度对比 |
| 2.5 在国产DSP上的算法简化移植 |
| 2.5.1 分支预测与受其影响的热点函数 |
| 2.5.2 针对窗口设置与移动逻辑的简化 |
| 2.5.3 针对计算ERG的简化 |
| 2.5.4 简化算法的目标检测性能 |
| 2.6 小结 |
| 第3章 增强图像梯度检测红外小目标 |
| 3.1 研究背景 |
| 3.2 线列探测器的误差分析 |
| 3.2.1 线列探测器的两点校正与高阶误差 |
| 3.2.2 基于图像梯度的局域校正 |
| 3.3 利用单向梯度图进行目标增强 |
| 3.3.1 红外小目标的梯度特性与增强约束 |
| 3.3.2 一种增强红外小目标单向梯度图的方法 |
| 3.4 基于增强单向梯度图的红外目标检测 |
| 3.4.1 堆叠抑制随机噪声 |
| 3.4.2 基于目标尺度金字塔融合图像 |
| 3.4.3 自适应局域化分割融合图像 |
| 3.5 性能测试与对比 |
| 3.5.1 使用复杂空地背景红外数据集评价 |
| 3.5.2 使用线列探测器无人机图像评价 |
| 3.6 小结 |
| 第4章 基于深度学习的红外目标检测阈值估计 |
| 4.1 研究背景 |
| 4.1.1 卷积神经网络的优势 |
| 4.1.2 使用卷积神经网络检测红外小目标的困难 |
| 4.2 针对特征工程算法的深度学习阈值增强框架 |
| 4.2.1 利用CNN解决回归问题的相关工作 |
| 4.2.2 针对阈值分布概率的CNN子网设计 |
| 4.2.3 iRCNN框架设计 |
| 4.2.4 iRCNN的预测误差 |
| 4.2.5 iRCNN的目标函数与交叉训练流程 |
| 4.3 实验与分析 |
| 4.3.1 数据集构建与训练流程 |
| 4.3.2 阈值预测精度分析 |
| 4.3.3 算法增益性能分析 |
| 4.4 小结 |
| 第5章 基于有限机动假设的LM-JPDA目标航迹匹配算法 |
| 5.1 引言 |
| 5.2 基于有限机动假设的JPDA |
| 5.2.1 JPDA的基本原理 |
| 5.2.2 多假设跟踪的基本原理 |
| 5.2.3 基于有限机动能力的搜索门限估计 |
| 5.2.4 量测关联概率估计 |
| 5.2.5 静止目标过滤与径向速度估计 |
| 5.3 实验与分析 |
| 5.4 小结 |
| 第6章 基于长波红外线列探测器的实时目标检测系统设计 |
| 6.1 引言 |
| 6.2 系统框架设计 |
| 6.2.1 系统硬件组成 |
| 6.2.2 图像预处理与死点去除 |
| 6.2.3 背景检测与阈值标定 |
| 6.2.4 基于DSP的目标粗检测 |
| 6.2.5 航迹拟合与目标确认 |
| 6.3 系统测试与分析 |
| 6.3.1 多场景测试 |
| 6.3.2 实时性分析 |
| 6.4 小结 |
| 第7章 总结与展望 |
| 7.1 全文工作总结 |
| 7.1.1 主要工作 |
| 7.1.2 工作的特色与创新点 |
| 7.2 未来展望 |
| 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 |
（3）机载红外小目标探测系统非均匀性校正技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 课题研究背景及意义 |
| 1.2 相关领域研究现状 |
| 1.2.1 机载红外搜索与跟踪系统研究现状 |
| 1.2.2 红外非均匀性校正方法研究现状 |
| 1.3 本文研究内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第2章 红外小目标探测系统成像特性 |
| 2.1 引言 |
| 2.2 机载红外小目标探测系统工作原理 |
| 2.3 黑体响应特性 |
| 2.3.1 黑体 |
| 2.3.2 普朗克定律 |
| 2.3.3 黑体响应特性测试 |
| 2.4 噪声特性分析 |
| 2.4.1 三维噪声模型 |
| 2.4.2 方向平均算子D_x |
| 2.4.3 噪声组成 |
| 2.4.4 红外小目标探测系统噪声特性 |
| 2.4.5 噪声等效温差(NETD) |
| 2.5 调制传递函数(MTF) |
| 2.5.1 MTF定义 |
| 2.5.2 系统MTF测试 |
| 2.6 本章小结 |
| 第3章 两点标定非均匀性校正方法研究 |
| 3.1 引言 |
| 3.2 实验室标定 |
| 3.3 盲元替换 |
| 3.3.1 滑动窗口盲元检测 |
| 3.3.2 邻域替换盲元补偿 |
| 3.4 两点标定非均匀性校正方法影响因素研究 |
| 3.4.1 响应非线性及随机噪声的影响 |
| 3.4.2 参考温度点的影响 |
| 3.4.3 光学系统(镜头)的影响 |
| 3.4.4 探测器漂移对非均匀性校正的影响 |
| 3.5 实验与结果分析 |
| 3.5.1 参考温度点及随机噪声影响实验 |
| 3.5.2 光学系统(镜头)有无影响实验 |
| 3.5.3 探测器漂移影响验证实验 |
| 3.6 本章小结 |
| 第4章 基于天空背景的实时探测器漂移补偿法 |
| 4.1 引言 |
| 4.2 基于天空背景的实时探测器漂移补偿方法 |
| 4.2.1 基于信息熵的自适应辐射源选取 |
| 4.2.2 基于天空背景的实时探测器漂移补偿算法流程 |
| 4.3 实验与讨论 |
| 4.4 本章小结 |
| 第5章 基于相邻像元“比值-中值法”的场景非均匀性校正方法 |
| 5.1 引言 |
| 5.2 观测模型 |
| 5.3 基于相邻像元“比值-中值法”非均匀性校正算法 |
| 5.4 实验与讨论 |
| 5.4.1 天空背景实验 |
| 5.4.2 小目标探测验证实验 |
| 5.5 非均匀性校正结果对小目标探测的影响 |
| 5.5.1 小目标探测作用距离 |
| 5.5.2 非均匀性校正结果对小目标探测的作用 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 工作总结 |
| 6.2 主要创新点 |
| 6.3 未来展望 |
| 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 |
（4）基于特征提取与数据关联的红外多目标跟踪方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 课题来源、研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究的背景及意义 |
| 1.2 课题研究现状 |
| 1.2.1 红外单目标跟踪方法研究现状 |
| 1.2.2 自然场景多目标跟踪方法研究现状 |
| 1.3 红外多目标跟踪困难及问题 |
| 1.4 论文的研究思路、主要内容 |
| 1.5 章节安排 |
| 1.6 本章小结 |
| 2.红外多目标跟踪关键技术 |
| 2.1 概述 |
| 2.2 红外目标检测技术 |
| 2.2.1 基于局部对比度增强的红外目标检测 |
| 2.2.2 基于区域显着性的红外目标检测 |
| 2.2.3 阈值分割 |
| 2.3 特征提取技术 |
| 2.3.1 表观特征提取方法 |
| 2.3.2 运动特征提取 |
| 2.4 数据关联技术 |
| 2.4.1 在线数据关联方法 |
| 2.4.2 离线数据关联方法 |
| 2.5 本章小结 |
| 3.基于多特征融合与分层数据关联的空中红外多目标跟踪方法 |
| 3.1 概述 |
| 3.2 多特征提取及相似度计算 |
| 3.2.1 表观特征提取及相似度计算 |
| 3.2.2 运动特征提取及相似度计算 |
| 3.2.3 尺度特征提取及相似度计算 |
| 3.3 分层数据关联方法 |
| 3.3.1 第一层数据关联 |
| 3.3.2 第二层数据关联 |
| 3.4 消融实验 |
| 3.5 实验结果分析 |
| 3.5.1 主观评价 |
| 3.5.2 客观评价 |
| 3.6 本章小结 |
| 4.基于多方向邻域与轨迹置信度的红外行人多目标跟踪方法 |
| 4.1 概述 |
| 4.2 轨迹初始化 |
| 4.3 多特征提取 |
| 4.3.1 多方向邻域表观特征提取 |
| 4.3.2 运动特征提取 |
| 4.4 轨迹置信度 |
| 4.5 消融实验 |
| 4.6 实验结果分析 |
| 4.6.1 主观评价 |
| 4.6.2 客观评价 |
| 4.7 本章小结 |
| 5.红外多目标跟踪系统的设计与实现 |
| 5.1 概述 |
| 5.2 需求分析 |
| 5.3 系统概要设计 |
| 5.4 系统详细设计 |
| 5.4.1 多波段图像融合模块设计 |
| 5.4.2 目标检测模块设计 |
| 5.4.3 多目标跟踪模块设计 |
| 5.5 系统界面设计 |
| 5.5.1 图像融合模块界面设计 |
| 5.5.2 目标检测模块界面设计 |
| 5.5.3 目标跟踪模块界面设计 |
| 5.6 本章小结 |
| 6.总结与展望 |
| 6.1 论文工作及创新点总结 |
| 6.2 下一步研究计划 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
| 致谢 |
（5）基于深度学习的无人机识别的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本文研究背景和意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.2.1 无人机识别的研究现状与发展趋势 |
| 1.2.2 背光目标识别的研究现状与发展趋势 |
| 1.2.3 小目标识别的研究现状与发展趋势 |
| 1.3 本文研究内容 |
| 1) 解决背光条件下目标识别准确率低的问题 |
| 2) 提升算法模型对于小目标识别的准确率 |
| 3)设计了无人机识别实验验证系统 |
| 1.4 本文组织结构 |
| 第二章 相关技术介绍 |
| 2.1 基于深度学习的目标检测算法简介 |
| 2.2 YOLO系列算法简介 |
| 2.2.1 YOLOv1简介 |
| 2.2.2 YOLOv2简介 |
| 2.2.3 YOLOv3简介 |
| 2.2.4 YOLOv4简介 |
| 2.2.5 YOLOv3-tiny简介 |
| 2.3 数据增强方法简介 |
| 2.3.1 单图数据增强 |
| 2.3.2 多图数据增强 |
| 2.3.3 无监督数据增强 |
| 2.4 深度学习检测算法评价指标 |
| 2.5 本章小结 |
| 第三章 背光目标识别的解决方法 |
| 3.1 无人机数据集的制作 |
| 3.1.1 无人机图片的获取 |
| 3.1.2 打标签 |
| 3.1.3 数据集的扩充及负样本的选择 |
| 3.2 理论分析 |
| 3.2.1 背光无人机的特点 |
| 3.2.2 神经网络的特点 |
| 3.3 Bi-CycleGAN算法 |
| 3.3.1 图像二值化的方法 |
| 3.3.2 改进生成对抗网络模型 |
| 3.4 实验设计与结果 |
| 3.4.1 实验设计 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 第四章 小目标识别的解决方法 |
| 4.1 小目标识别问题的引入 |
| 4.2 小目标识别问题的理论分析 |
| 4.2.1 对公开数据集的分析 |
| 4.2.2 神经网络模型的影响 |
| 4.3 基于图像金字塔的数据增强方法 |
| 4.3.1 方法介绍 |
| 4.3.2 本方法的优点 |
| 4.3.3 消极目标处理 |
| 4.3.4 图像缩放方法的选择 |
| 4.4 算法测试与实验结果 |
| 4.5 本章小结 |
| 第五章 无人机识别实验验证系统实现 |
| 5.1 需求分析 |
| 5.2 实验系统设计 |
| 5.2.1 硬件选择 |
| 5.2.2 算法模型的搭建 |
| 5.2.3 实验平台的设计 |
| 5.3 系统演示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文研究总结 |
| 6.2 未来工作展望 |
| 6.2.1 数据的改进 |
| 6.2.2 网络模型的改进 |
| 参考文献 |
| 致谢 |
（6）机载IRST小目标检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于背景估计的小目标检测 |
| 1.2.2 基于人类视觉系统特性的小目标检测 |
| 1.2.3 基于低秩和稀疏表示的小目标检测 |
| 1.3 主要研究内容及技术路线 |
| 1.4 本文结构安排 |
| 第二章 红外成像预处理研究及小目标检测基础 |
| 2.1 红外成像预处理 |
| 2.1.1 非均匀性校正 |
| 2.1.2 无效像元替换 |
| 2.1.3 机载IRST成像预处理 |
| 2.2 红外小目标图像特性分析 |
| 2.2.1 红外图像整体特性 |
| 2.2.2 红外背景成像特性 |
| 2.2.3 红外小目标成像特性 |
| 2.3 红外小目标检测算法框架 |
| 2.4 基于红外块的小目标检测方法 |
| 2.4.1 预备知识 |
| 2.4.2 基于红外块的小目标检测模型 |
| 2.5 本章小结 |
| 第三章 基于高斯尺度空间局部对比度的红外小目标检测 |
| 3.1 人类视觉系统特性与红外小目标检测 |
| 3.1.1 对比度机制 |
| 3.1.2 方向特征信息选择机制 |
| 3.1.3 多尺度表示与自适应尺度选择 |
| 3.2 基于高斯尺度空间局部对比度的红外小目标检测 |
| 3.2.1 高斯尺度空间 |
| 3.2.2 增强的局部对比度 |
| 3.2.3 尺度空间显着图计算 |
| 3.2.4 方法的总体流程 |
| 3.3 评价指标及实验 |
| 3.3.1 性能评价指标 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于张量平均秩非凸代理的红外小目标检测 |
| 4.1 张量分解与张量秩 |
| 4.1.1 CP分解与CP秩 |
| 4.1.2 Tucker分解与Tucker秩 |
| 4.1.3 基于T-SVD的张量秩 |
| 4.2 PSATNN-GSS红外小目标检测模型构建及求解 |
| 4.2.1 基于PSATNN的低秩背景张量正则化 |
| 4.2.2 局部对比度权重的稀疏目标张量正则化 |
| 4.2.3 模型求解 |
| 4.2.4 总体检测方法 |
| 4.3 实验结果及分析 |
| 4.3.1 实验环境准备 |
| 4.3.2 融合检测验证 |
| 4.3.3 多尺度多目标检测验证 |
| 4.3.4 单帧图像实验 |
| 4.3.5 序列图像实验 |
| 4.4 本章小结 |
| 第五章 基于Laplace函数非凸张量秩代理的红外小目标检测 |
| 5.1 LFNTRS-SSR红外小目标检测模型构建 |
| 5.1.1 基于Laplace函数的非凸张量秩代理 |
| 5.1.2 局部对比度能量 |
| 5.1.3 结构稀疏正则项 |
| 5.2 模型求解及总体检测方法 |
| 5.2.1 模型求解 |
| 5.2.2 总体检测方法 |
| 5.3 实验结果及分析 |
| 5.3.1 实验准备 |
| 5.3.2 参数分析 |
| 5.3.3 定性分析 |
| 5.3.4 定量评价 |
| 5.4 本章小结 |
| 第六章 机载IRST小目标检测系统设计及实现 |
| 6.1 联合检测策略 |
| 6.2 硬件设计 |
| 6.2.1 多核DSP设计 |
| 6.2.2 FPGA设计 |
| 6.2.3 基于DSP+FPGA的信号处理平台设计 |
| 6.3 软件设计 |
| 6.4 系统测试 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 主要贡献和创新点 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（7）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 |
（8）运动摄像机下飞机目标检测、识别与跟踪方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 研究的背景及意义 |
| §1.1.1 研究背景 |
| §1.1.2 研究意义 |
| §1.2 国内外研究现状 |
| §1.2.1 运动目标检测现状 |
| §1.2.2 目标识别现状 |
| §1.2.3 目标跟踪现状 |
| §1.3 论文研究内容和结构安排 |
| 第二章 动态背景下飞机目标检测研究 |
| §2.1 问题分析及方法选择 |
| §2.1.1 背景分类及特点 |
| §2.1.2 飞机目标成像特点 |
| §2.1.3 检测方法选择 |
| §2.2 基于运动学信息的运动目标检测算法 |
| §2.2.1 基于光流法的运动目标检测 |
| §2.2.2 基于背景运动补偿的运动目标检测 |
| §2.3 基于区域评分和运动补偿的飞机目标检测 |
| §2.3.1 ORB特征点提取 |
| §2.3.2 子区域评分机制 |
| §2.3.3 背景特征点选取与匹配 |
| §2.3.4 背景运动模型 |
| §2.3.5 动态阈值帧差法检测 |
| §2.4 碎片目标整合 |
| §2.4.1 HSI空间颜色相似性 |
| §2.4.2 位移一致性 |
| §2.4.3 整合步骤 |
| §2.5 实验与分析 |
| §2.5.1 目标标注 |
| §2.5.2 区域评分效果评估 |
| §2.5.3 运动补偿效果评估 |
| §2.5.4 碎片整合实验 |
| §2.5.5 检测效果与算法对比 |
| §2.6 本章小结 |
| 第三章 目标识别方法研究 |
| §3.1 基于候选区域的目标识别 |
| §3.1.1 R-CNN |
| §3.1.2 Fast R-CNN |
| §3.1.3 Faster R-CNN |
| §3.2 基于回归的目标识别 |
| §3.2.1 YOLO V1 |
| §3.2.2 YOLO V2 |
| §3.2.3 YOLO V3 |
| §3.3 改进YOLO V3 网络结构 |
| §3.4 改进YOLO V3 网络训练 |
| §3.4.1 数据集准备 |
| §3.4.2 训练环境 |
| §3.4.3 数据训练 |
| §3.4.4 训练结果分析 |
| §3.5 实验与分析 |
| §3.6 本章小结 |
| 第四章 目标跟踪方法研究 |
| §4.1 目标跟踪原理与问题分析 |
| §4.1.1 目标跟踪框架 |
| §4.1.2 飞机目标跟踪面临的问题 |
| §4.2 DSST跟踪算法 |
| §4.2.1 MOSSE算法 |
| §4.2.2 DSST算法 |
| §4.3 实验与分析 |
| §4.3.1 实验内容 |
| §4.3.2 实验分析 |
| §4.4 本章小结 |
| 第五章 系统集成设计 |
| §5.1 实验平台 |
| §5.2 集成方案 |
| §5.2.1 设计思路 |
| §5.2.2 跟踪目标获取 |
| §5.2.3 跟踪器创建与更新 |
| §5.2.4 删除目标跟踪器 |
| §5.2.5 飞行趋势判别 |
| §5.3 实验与分析 |
| §5.4 本章小结 |
| 第六章 总结与展望 |
| §6.1 总结 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（9）基于无人机平台的实时人脸识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 课题来源与研究背景 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景 |
| 1.2 国内外研究现状与研究意义 |
| 1.2.1 人脸图像检测的研究现状 |
| 1.2.2 人脸图像匹配的研究现状 |
| 1.2.3 人工智能加速芯片的研究现状 |
| 1.2.4 研究意义 |
| 1.3 本文主要研究工作 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 本文组织结构 |
| 第2章 相关理论介绍与工作模式研究 |
| 2.1 研究难点 |
| 2.2 人脸检测 |
| 2.2.1 传统的人脸检测方法 |
| 2.2.2 基于深度学习的人脸检测方法 |
| 2.3 人脸匹配 |
| 2.4 人工智能加速芯片 |
| 2.5 工作模式研究 |
| 2.5.1 研究思路 |
| 2.5.2 工作模式 |
| 第3章 基于Tiny YOLO的运动人脸检测 |
| 3.1 概述 |
| 3.2 基于无人机平台的人脸检测特征 |
| 3.2.1 研究对象的特点 |
| 3.2.2 无人机平台的特点 |
| 3.3 基于Tiny YOLO的实时人脸检测模型 |
| 3.3.1 卷积神经网络 |
| 3.3.2 基于Tiny YOLO的实时人脸检测模型分析 |
| 3.4 实证分析 |
| 3.4.1 数据集与预处理 |
| 3.4.2 实验环境与设置 |
| 3.4.3 评估标准 |
| 3.4.4 结果分析 |
| 3.5 本章小结 |
| 第4章 基于FaceNet的人脸匹配 |
| 4.1 概述 |
| 4.2 基于FaceNet的人脸匹配模型 |
| 4.2.1 迁移学习 |
| 4.2.2 基于预训练FaceNet的人脸匹配模型 |
| 4.2.3 基于嵌入式平台的FaceNet模型改进 |
| 4.3 实证分析 |
| 4.3.1 数据集与预处理 |
| 4.3.2 实验参数设置 |
| 4.3.3 评估标准 |
| 4.3.4 结果分析 |
| 4.4 本章小结 |
| 第5章 基于无人机平台的实时人脸识别系统的实现 |
| 5.1 系统结构 |
| 5.2 逻辑设计 |
| 5.3 环境需求 |
| 5.4 硬件加速设计 |
| 5.5 软件功能设计 |
| 5.5.1 数据采集模块 |
| 5.5.2 图像预处理模块 |
| 5.5.3 人脸检测模块 |
| 5.5.4 人脸匹配模块 |
| 5.5.5 研判处理模块 |
| 5.5.6 通信模块 |
| 5.6 系统测试与分析 |
| 5.6.1 性能测试 |
| 5.6.2 实例测试 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（10）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 |
四、空中快速小目标的检测方法（论文参考文献）
- [1]无人机航拍图像语义分割研究综述[J]. 程擎,范满,李彦冬,赵远,李诚龙. 计算机工程与应用, 2021(19)
- [2]线列红外成像系统目标检测关键技术研究[D]. 楼晨风. 中国科学院大学(中国科学院上海技术物理研究所), 2021(01)
- [3]机载红外小目标探测系统非均匀性校正技术研究[D]. 丁帅. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [4]基于特征提取与数据关联的红外多目标跟踪方法研究[D]. 杨博. 中北大学, 2021(09)
- [5]基于深度学习的无人机识别的研究与实现[D]. 宋登辉. 北京邮电大学, 2021(01)
- [6]机载IRST小目标检测技术研究[D]. 管学伟. 电子科技大学, 2021
- [7]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)
- [8]运动摄像机下飞机目标检测、识别与跟踪方法研究[D]. 李玉虎. 桂林电子科技大学, 2020(02)
- [9]基于无人机平台的实时人脸识别技术研究[D]. 李妍慧. 南昌大学, 2020(01)
- [10]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)