一、基于红外图像信息融合的目标检测和识别技术研究（论文文献综述）
孟志敏[1]（2021）在《红外与可见光图像融合的目标识别方法研究》文中研究说明面对复杂战场环境下的战略侦查,目标识别,精准制导等军事行动,可见光与红外图像融合识别技术在理论和现实方面有迫切需求。当前目标识别方法大多基于单一传感器进行研究,而且识别算法结构的复杂,难以部署在嵌入式系统中。本文针对坦克目标识别的关键问题,提出红外与可见光图像融合的目标识别算法,通过不同算法对比并进行算法仿真验证。基于Xilinx Zynq平台对所提算法进行移植以及硬件优化加速并搭建嵌入式红外与可见光图像融合的目标识别系统。主要研究内容包括图像数据采集,异源图像配准及融合算法和图像的识别算法在嵌入式系统中实现。如下所述:基于红外与可见光成像的特点,对图像预处理方法进行分析研究,对红外与可见光图像采取灰度处理、中值滤波、均值滤波、直方图均衡化以及图像的锐化增强处理。为图像配准融合提供有效的特征并通过实验验证预处理算法的可行性。针对坦克目标特点,对比Hu不变矩、SURF特征描述以及形状上下文特征匹配的正确率,选取适合坦克目标异源图像配准方法,对配准后的图像进行小波变换图像融合。利用融合规则对图像中相应的高频分量以及低频分量进行融合并通过主观视觉与客观指标对融合算法进行评价。提高目标识别特征选取的可靠性。基于坦克目标识别算法的分析研究,对比坦克的局部二元模式特征、SIFT特征描述、梯度方向直方图特征。结合算法处理实时性及FPGA计算特性,采用HOG特征描述作为识别判断的特征依据,通过训练SVM分类器实现目标的分类识别。嵌入式图像融合的目标识别系统搭建,在FPGA上部署定制算法IP核模块实现硬件加速设计,ARM上实现硬件驱动程序的设计以及模块时序控制和构建SVM分类器模型。通过Peta Linux工具在开发环境中移植Linux系统以及Open CV库函数和Qt库函数,实现高效的图像处理。实验结果验证了算法的有效性。
许鑫龙[2]（2020）在《基于目标增强融合的铁路异物侵限检测方法研究》文中提出随着高速铁路的快速发展,保障行车安全是铁路运输的前提,而图像融合技术已经成为计算机视觉、机器人、目标识别跟踪等领域的关键技术之一。目前大多数基于机器视觉的异物目标检测系统都是利用单一源图像即可见光图像进行检测识别的,基于可见光的铁路异物侵限检测系统在夜间以及恶劣天气（雨、雪、雾等）条件下存在目标不清晰、识别准确率低的难题。针对上述问题,本文提出了一种基于目标增强融合的铁路异物侵限检测方法,解决了单一可见光图像在夜间或环境照度低的条件下检测效果不佳的问题,同时融合图像丰富了场景细节信息,提高了检测异物的准确性和可靠性。图像配准是图像融合的前提,针对铁路场景不同视场不同尺度下异源图像配准问题,本文提出了基于铁路场景丰富直线特征的红外和可见光图像配准算法。首先通过极向投影方法提取钢轨直线特征,利用特征描述符定义匹配函数公式完成直线特征匹配,然后求解变换矩阵得到粗配准结果,利用粗配准结果构建候选框提取其他平面直线,重新计算图像变换模型参数,得到最终的几何变换矩阵,完成精配准;为保证铁路场景下异物运动目标检测的准确性和实时性要求,针对Vibe算法检测过程中环境噪声造成的目标漏检和误检情况,设计了基于改进Vibe的目标增强算法,成功抑制了鬼影问题和环境噪声,提升了目标检测的鲁棒性和准确性;然后根据运动目标区域的相似度判断是否属于同一目标,对背景区域和不同相似度的目标采取相应的目标增强融合策略;为了获得既包含红外温度特性又能最大限度体现可见光轮廓色彩等细节信息的融合图像,本文针对同一目标区域提出了基于相位一致性和四阶相关系数的非下采样Contourlet变换（NSCT）的目标级图像融合算法,首先将运动目标的红外图像与可见光图像进行NSCT变换分解成高低频子带,对低频子带采用基于相位一致性的融合策略,对高频子带采用四阶相关系数匹配融合策略,最后利用NSCT逆变换得到融合检测结果,结合其他目标区域和背景区域的融合图像得到最终的运动目标的增强融合检测图像。将本文提出算法与其他常用的相关算法进行定性和定量比较,本文算法的结果明显优于其他算法,不仅准确检测到运动目标还丰富了目标图像的相关信息,解决了环境照度低和远距离情况下目标检测准确率低的问题,对于铁路异物侵限检测和运行安全保障系统的研究具有十分重要的应用前景。
聂晶晶[3]（2020）在《基于数据融合的道面裂缝检测方法研究》文中研究表明近年来,随着公路网络的日益完善和机场数量的增加,道面养护与管理已成为我国交通行业领域亟待解决的一项重要任务。裂缝是道面大多病害的早期形态,及时准确地发现裂缝可以最大程度地降低维护成本,提高养护效率。随着国家“交通强国建设纲要”战略的推进,如何利用机器视觉技术实现高性能自动化的道面裂缝精准检测技术,已成为当前研究的热点问题之一。针对实际裂缝检测应用中光照条件差、图像对比度差和噪声强烈等干扰导致依靠单一传感器出现裂缝的误判和漏检问题,本文开展相关研究工作:在深入分析了红外和可见光传感器的成像原理和其在裂缝检测应用中特性互补的基础上,提出基于红外和可见光图像信息融合的道面裂缝检测方案。该方案使用红外传感器和可见光传感器同步采集道面图像,并使用基于显着区域几何特征提取的配准方法,实现道面红外和可见光图像的同步获取。为了进一步提高基于可见光图像路面裂缝识别算法的精度、鲁棒性和检测速度,提出了一种基于稠密连接与深度监督的神经网络道面裂缝识别算法。算法通过网络层间进行稠密连接及对多个尺度隐藏层进行深度监督的方式,提高了不同尺度下裂缝特征提取能力和信息互补度,并设计类别平衡交叉熵损失函数以增大裂缝像素损失权重。在四个裂缝数据集上进行了测试,结果表明算法在准确率、检测速度和鲁棒性方面均优于对比算法。算法为基于可见光图像的道面裂缝初步快速识别和后期基于多传感器数据融合裂缝精准判定提供了一定的技术支持。针对于实际裂缝检测应用中光照条件差、图像对比度差和噪声强烈等干扰导致依靠单一可见光传感器出现裂缝的误判和漏检问题,提出一种融合可见光图像和红外图像的裂缝判定算法。算法利用局部区域像素的灰度和温度概率分布,建立决策级信息融合模型,并利用多种数学形态学约束获得裂缝检测结果。在强干扰的道面数据集上进行了测试,结果显示算法能充分利用裂缝温度和灰度的综合信息,克服其各自存在的不足,为道面裂缝的精确检测与管理提供了技术基础。
洪宇[4]（2019）在《装甲车辆融合探测辅助驾驶系统》文中进行了进一步梳理装甲车辆的机动性决定其行驶环境通常复杂多变,车辆辅助驾驶系统的作用就是通过探测器采集信息处理以辅助驾驶员观察周围环境。传统军事车辆配备的视觉探测辅助系统多以单一探测器为主,通常配有单一红外探测器或单一微光探测器,这种单源探测器虽然可以在一定程度上提高人眼观察范围,但容易受环境影响。本文在此基础上设计了一套装甲车辆融合探测辅助驾驶系统,利用多源探测器协同工作融合探测,通过图像融合的形式提高成像质量,对多源特征融合后目标检测算法又使得装甲车在复杂环境下具备高效准确的目标检测能力,便于驾驶人员观察环境、侦察目标。首先,对比了装甲车辆辅助驾驶系统国内外的研究现状,对文中涉及的融合探测和目标检测的发展现状简要概述,进而阐明本系统的设计意义和具体设计方案。其次,对系统中融合成像算法展开研究,针对图像融合算法进行算法优化,设计了一种基于FAST特征点的快速匹配算法,在拉普拉斯金字塔图像融合算法的基础上设计了一种基于邻域关联性的融合准则,最后在FPGA硬件平台上实现图像融合功能。接着,对多源特征融合目标检测展开研究,结合残差神经网络和特征金字塔网络的思想设计了一种卷积神经网络;利用模糊神经网络对多源图像进行特征融合,针对特征融合后图像设计了一种新的基于融合图像目标检测算法,将训练后的模型移植到Jetson TX2平台,优化神经网络完成GPU部署。最后,搭建系统,对系统中图像融合和目标检测功能进行测试,实验表明,融合图像更加利于人眼观察,特征融合后目标检测率高于单源图像。
魏元[5]（2019）在《针对空中小目标的红外与毫米波复合检测技术研究》文中进行了进一步梳理随着反装甲精确制导武器的迅猛发展,装甲车辆面临着愈发严峻的空中威胁,车载空中小目标预警系统对于提高装甲车辆生存能力有着重要意义。这些预警系统大多采用单波段检测技术,而红外与毫米波复合检测技术基于异类传感器信息,能够有效提高目标特征维度,比单波段检测技术具有更低的虚警率和更强的适应性。为提高车载预警系统对空中小目标的检测能力,本文开展了红外信息处理、毫米波信息处理、红外与毫米波复合检测技术的研究。主要研究内容概括如下:（1）提出了一种针对空中小目标的红外与毫米波复合检测系统的设计思路,并根据战场电磁环境和作战需求,设计了引导式、并列式两种复合检测方式。（2）分析了目标和背景杂波的红外特性,针对复杂红外图像中杂波强度高、虚警难以去除的问题,提出了基于局部梯度特性的红外小目标检测法。利用二阶原点矩（LGSM）区分目标和高强度杂波,并在LGSM值和拉普拉斯-高斯滤波值上分别设定双阈值进行滞后阈值分割,在保证检测概率和算法效率的同时有效降低虚警概率。（3）分析了典型空中目标的毫米波特性和毫米波相控阵雷达估计目标速度特性参数的不足,提出了基于u域修正牛顿法的速度特性参数估计法。将分数阶傅立叶变换（FRFT）域网格搜索作为粗估计,利用u域插值法和α域牛顿法对FRFT域峰值参数u0和α0进行精估计,并推导目标的速度和加速度。仿真结果表明,精估计使线性调频信号的中心频率和调频率估计的均方根误差显着降低。（4）针对毫米波雷达因战场环境和作战需求导致无法搜索空域的情况,提出了基于视觉注意机制的引导式复合检测方式。利用朴素贝叶斯分类求取视觉焦点区域,并构建红外图像全局显着图;根据目标特征信息的掌握情况提出模糊模式识别和模糊二分类决策树两种判决法,利用目标的毫米波回波特征进行目标分类。仿真结果表明,引导式复合检测能够融合多幅红外特征图,为毫米波提供引导信息,通过雷达的验证性检测消除虚警、漏警。（5）红外搜索与跟踪系统和毫米波雷达并行工作,进行复合检测时,针对红外图像和毫米波回波信息的异构性问题,提出了基于异构数据处理的红外与毫米波并列式复合检测方式,将红外图像转化为特征向量,与毫米波特征向量整合为联合特征向量,并进行支持向量机分类。在红外特征提取、数据关联和特征选择三个阶段优化了数据处理:提出了基于人眼视觉系统的红外特征提取,去除红外数据集中的冗余数据;提出了网格化全局最近邻数据关联,简化了关联矩阵的构建和距离计算;提出了基于先验信息的互信息特征选择法,利用特征之间提取机制的差异,优化特征选择,提高训练集与测试集差异大时的检测概率。仿真结果表明,异构数据处理能够改善分类性能。
曾杰[6]（2019）在《基于多源LSSVM的车型识别方法研究》文中提出车型识别是智能交通系统的一个重要部分。由于单一传感器获得信息的不全面性和不准确性,为正确分类带来了困难。因此本文使用红外与可见光传感器对目标进行图像采集,采用典型相关分析对提取的特征向量进行融合来获得对目标的一致性描述。在众多分类算法中,最小二乘支持向量机由于其识别精度高,参数数目少,算法简便而被广泛应用。本文围绕最小二乘支持向量机在车型识别中的应用展开研究,主要的研究内容与创新点归纳为以下几个方面:1、对最小二乘支持向量机算法进行改进。考虑到最小二乘支持向量机的参数没有完备的数学理论确定且又影响最终的分类结果,引入了差分进化算法对其进行参数寻优。在分析了传统差分进化算法理论的基础上,针对其易陷入早熟收敛的问题做出改进。经过仿真试验证明改进算法可以跳出局部最优点,克服传统算法的缺陷,使用改进后的差分进化算法对最小二乘支持向量机进行参数寻优可有效提高其正确分类率。2、对采集的图像进行特征提取。红外图像的对比度不高、无法反映目标细节,需要进行预处理操作。本文选择了中值滤波和直方图均衡化作为红外图像去噪和增强的算法,采用核主成分分析方法提取红外图像的特征向量;与传统算法相比,卷积神经网络可以输入原始图像,避免了繁复的预处理步骤,算法较为简便。但其需要海量样本数据训练,本文提出一种CNN-LSSVM算法来提取可见光图像的特征向量,避免了复杂的预处理步骤且经过仿真实验证明改进算法在小样本情况下依然有良好的分类率。3、将前文研究应用于车型识别。在分析了信息融合的各类结构模型及融合过程的基础上,采用了典型相关分析进行特征级融合;最小二乘支持向量机应用于实际多分类问题中需要对其进行多分类推广,本文对常用的几种多分类推广方法进行了对比,选择了编码法进行多分类推广。基于以上的研究,设计了基于多源最小二乘支持向量机的车型识别实验并证明了本文方法的有效性。
吴彩莲[7]（2019）在《基于特征融合的红外目标识别研究》文中提出随着高科技术的飞速发展,计算机与红外摄像等技术己成为军事等诸多领域的研究焦点。但随着红外背景条件变得更复杂,干扰信息以及目标特性更加多样化等等,导致红外目标识别准确度与鲁棒性等各方面面临很大挑战,故仅考虑选择与提取比较单一的特征来描述红外图像目标性能,己远远不能实现目标的识别。本文将目标的全局颜色特征、局部运动特征和边缘这三种特征进行融合处理研究红外目标的识别。其中主要工作分为:（1）研究红外目标识别发展和现状,分析该领域如何有效解决由于红外背景条件恶劣、干扰信息以及目标特性千变万化等难控因素而产生的一系列难题。（2）在红外目标识别基本原理和方法的基础上,主要包括实现红外目标图像预处理,分析红外识别过程影响因素以及确定识别结果的评判指标,为后续目标特征的提取过程滤除较多无效信息数据,即最大程度地节省后续系列算法运行时间并简化操作过程,从而提高识别的实时处理等等。同时也更好地了解可能导致识别失败的影响因素,有针对性地进行红外目标识别算法的设计与调试,最终通过识别指标显示数据,进一步分析和验证其识别结果的有效性和可行性。（3）建立目标特征库并进行红外图像目标特征的分析与提取,主要有全局颜色特征、局部运动特征和边缘特征,并选择性地进行特征数据的融合处理。最终表明基于融合特征的识别算法确实可以大大简化其运算过程,也解决了使用单一特征量所遗留的重大问题。（4）设计基于特征融合的红外目标识别算法方案。基于目标做较稳态运动,目标形态近似不发生变化时,建立序列蒙特卡罗（粒子滤波）识别算法,并通过实验验证其识别应用性能,达到了识别耗时较短,识别鲁棒性能好的效果。设计粒子群优化自组织特征映射网络的目标识别算法,通过建立较全面仿真实验,解决了目标剧烈突变,目标外轮廓明显发生改变时,序列蒙特卡罗算法目标识别不准确,识别目标丢失等问题,达到了稳健、实时地检测并识别出目标物中心位置的目的,故而在红外目标识别应用领域更占有优势。
冷阳[8]（2019）在《可见光/红外图像特征级融合目标识别研究》文中认为在传统基于单源图像的目标识别系统中,因传感器成像机理的限制,无法在复杂环境下获取目标全面准确的信息描述,目标识别率较低。随着信息融合技术的不断发展,利用多源图像信息融合可以有效扩展系统获取目标描述的时空覆盖范围,从而提高系统的目标识别率。传统的融合方法主要基于像素级层面,其融合对象大多为大场景下高分辨率图像,且融合效果依赖图像配准精度,无法适用于局部场景下低分辩目标图像。特征级融合是基于图像中提取特征的对应关系而进行的信息融合,具有在相对较少计算数据量的同时,较好地保证融合精度的优势特点,同时特征级融合算法可以互补各源图像以及各特征提取算法之间的优势,去除冗余信息。本文针对无人机平台下可见光/红外双源图像融合识别需要,开展可见光/红外图像特征级融合目标识别研究,论文主要工作与创新点包括:（1）为了满足本文研究的实验数据需求,搭建了无人机平台下可见光/红外双源成像系统,采集了近视场下多种目标的多姿态、多视角双源图像数据集。（2）为了避免单一特征描述的局限性和敏感性,研究了多类图像特征提取算法,构建了双源图像的多特征集合作为特征级融合对象,并通过实验分析了特征在单源图像以及双源图像中的相关性和敏感性表现,为后续的特征级融合明确了方向。（3）为了优化双源图像多特征中的冗余性问题,提出了一种结合最大相关最小冗余（minimal Redundancy Maximal Relevance,mRMR）与主成分分析（Principal Components Analysis,PCA）的特征级融合方法。该方法首先基于mRMR特征评价准则,分别对可见光、红外单源图像的多特征集合进行选择融合,提取原始特征集合中与目标类别强相关,与其它维度低冗余的特征子集作为该源图像的mRMR融合特征;然后基于PCA算法对可见光与红外双源图像的mRMR融合特征再次进行变换融合,得到方差最大化且互不相关的主成分作为目标双源图像的mRMRPCA融合特征。实验表明:基于双源图像mRMRPCA融合特征的目标识别率相对于单源图像有显着提高,且性能优于其它融合算法。（4）为了提高系统在有干扰的复杂环境中的目标识别率,避免多特征集合构建带来的时间及特征描述局限性问题,提出了一种基于卷积神经网络（Convolutional Neural Networks,CNN）的双源图像特征提取及融合识别方法。该方法首先利用迁移学习理论,通过相似分布的大型可见光数据集训练CNN模型,优化其全局隐式特征学习能力,获取各网络层权重和偏置参数;然后分别将可见光、红外图像输入模型,提取最后池化层输出作为该源图像的CNN特征;最后基于结合mRMR与PCA的特征级融合方法得到目标双源图像改进的mRMRPCACNN融合特征。实验表明:该方法不仅提高了系统在弱光、有噪声及遮挡干扰的复杂环境中的目标识别率和稳定性,同时也大幅提升了系统效率。
刘子旺[9]（2018）在《转子故障的多模态深度学习信息融合诊断方法研究》文中研究说明旋转设备作为石油石化行业关键设备,运行环境复杂,易发生各种故障,严重时会造成停机甚至事故。转子系统是旋转设备的核心部分,结构复杂,部件众多,时常发生耦合故障,振动分量多且复杂,基于振动的监测难以覆盖整个设备和所有类型的故障。而红外监测可以同时测量多个部件的温度信息,适用于耦合故障诊断。因此,本文引入基于红外图像的故障诊断方法,针对红外图像敏感区域提取、特征学习以及红外和振动信息融合的故障诊断方法进行了研究:（1）研究基于卷积神经网络（Convolutional Neural Network,CNN）的红外图像和振动信号的特征学习,通过构建适用于转子平台红外和振动信息特征学习的CNN模型,实现了红外和振动特征的自动提取。与使用人工提取的特征进行故障诊断相比,准确率分别提高了12.5和3.33个百分点。并用核主元分析（Kernel Principal Component Analysis,KPCA）方法对学习到的特征进行降维可视化,直观地证明了CNN提取的特征具有更好的聚类分布。（2）针对红外图像存在强度集中、对比度低、干扰背景多的特点,提出基于红外显着性检测和阈值优化的故障敏感区域提取方法。使用区域对比的显着性检测方法有效去除图像中的干扰背景,并依据随机森林的诊断结果对图像分割阈值迭代优化,实现了敏感区域的优化提取。与使用人工框选的敏感区域进行诊断相比,该方法可将准确率提高7.5个百分点。（3）针对红外和振动的信息融合和故障诊断问题,提出多模态深度学习的信息融合诊断方法,将特征学习和信息融合两个过程统一于一个模型。通过有监督的训练,学习和反向调整特征学习和融合网络中的权值,增加了数据之间的关联性。通过与其他决策级和特征级融合诊断方法的比较表明,使用本文方法对转子平台进行诊断时故障识别率更高。
付惠泉[10]（2018）在《红外雷达融合识别仿真技术研究》文中研究表明雷达属于主动传感器,通过收到的雷达回波对目标进行识别。其探测距离较远且精度高,具有全天候、全天时的作战优点;但是,雷达面临着反辐射导弹、电磁干扰等威胁。红外传感器属于被动传感器,被动接收目标的红外辐射形成红外图像,通过红外图像提取目标特征进行识别;任何温度大于绝对零度的物体都有红外辐射,因此目标能被红外传感器探测的概率比较高;但是,红外传感器的探测距离较近。红外与雷达融合识别可以优势互补,能提高融合识别系统的性能。本文基于红外与雷达融合识别目标的应用需求,开展了如下的工作:（1）目标红外成像和雷达回波的仿真及单传感器的识别。红外图像仿真中,根据目标群由远及近的飞行特点及目标红外辐射特性,仿真了目标群红外图像序列。红外图像识别中,当目标较远呈迎头点目标状态时,利用弹头温度变化率比较慢的特征进行目标识别;当目标较近呈面目标状态时,利用目标的灰度分布特征及其形状特征进行识别。目标的雷达回波仿真中,首先基于目标的运动模型仿真了目标的一维距离像;然后基于一维距离信号提取微动特征的思想,将待识别目标与模板库进行匹配识别出真弹头。还介绍了目标识别隶属度的确定方法,为证据理论奠定了基础。（2）对经典DS证据理论存在证据冲突时的改进。当证据之间存在高度冲突时,经典DS理论会得到与直觉相悖的结论。本文采用了证据权值的预处理和基于距离信息修正冲突系数的方法,对经典DS理论进行了改进,最后进行了实验,通过与已有经典DS理论进行对比,验证了算法的有效性。（3）提出了基于DS理论的决策层时空融合神经网络模型。整个网络是动态神经网络,能够实时利用各传感器的识别信息,可以适应红外雷达分时段工作的情况,并具有记忆功能。在空间域,对不同传感器识别结果进行动态加权;在时间域,通过输出的反馈作用,运用改进的DS理论,组合当前时刻和历史时刻的识别证据。该模型能够通过自我学习的方法,利用多传感器信息和先验信息,自动调整网络参数,提高了系统对环境的自适应性和融合结果的准确性及可靠性。仿真实验显示,系统能比单传感器更快速、更准确地识别出弹头和诱饵;即使在个别传感器出现严重误判时,如出现虚警和漏警时,识别结果依然正确,达到了预期的效果。
二、基于红外图像信息融合的目标检测和识别技术研究（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、基于红外图像信息融合的目标检测和识别技术研究（论文提纲范文）
（1）红外与可见光图像融合的目标识别方法研究（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 图像融合及目标识别的研究现状 |
| 1.2.2 嵌入式平台下图像处理的研究现状 |
| 1.3 本文主要研究工作和章节安排 |
| 第2章 红外与可见光成像原理及预处理方法 |
| 2.1 红外与可见光成像原理 |
| 2.1.1 红外热成像传感器工作原理 |
| 2.1.2 可见光成像传感器工作原理 |
| 2.2 红外与可见光图像的特点 |
| 2.3 红外与可见光图像的预处理方法 |
| 2.3.1 可见光图像预处理 |
| 2.3.2 红外图像预处理 |
| 2.4 本章小结 |
| 第3章 坦克目标的图像配准与融合方法 |
| 3.1 红外与可见光图像配准 |
| 3.1.1 图像配准概述 |
| 3.1.2 配准几何变换模型 |
| 3.1.3 图像配准方法 |
| 3.2 红外与可见光图像的特征配准 |
| 3.2.1 不变矩特征 |
| 3.2.2 SURF特征描述子 |
| 3.2.3 形状上下文特征 |
| 3.2.4 图像配准评价 |
| 3.3 红外与可见光图像融合 |
| 3.3.1 图像融合算法 |
| 3.3.2 基于小波变换的图像融合 |
| 3.3.3 融合结果分析 |
| 3.4 本章小结 |
| 第4章 坦克目标的特征提取与识别方法 |
| 4.1 图像模式识别方法概述 |
| 4.2 坦克目标特征提取方法 |
| 4.2.1 局部二元模式特征 |
| 4.2.2 SIFT特征描述 |
| 4.2.3 梯度方向直方图特征 |
| 4.3 小样本数据的目标分类决策方法 |
| 4.3.1 最优分类面的选择 |
| 4.3.2 支持向量机 |
| 4.3.3 核函数选择 |
| 4.4 基于HOG+SVM目标识别算法 |
| 4.4.1 融合目标的特征选择 |
| 4.4.2 HOG特征提取 |
| 4.4.3 SVM分类器训练及分类 |
| 4.4.4 多尺度窗口融合方法 |
| 4.4.5 识别结果分析 |
| 4.5 本章小结 |
| 第5章 ARM+FPGA的嵌入式系统实现与结果分析 |
| 5.1 FPGA平台下的算法加速优化 |
| 5.1.1 图像配准算法优化 |
| 5.1.2 融合算法优化 |
| 5.1.3 HOG特征提取算法的优化 |
| 5.2 融合图像的目标识别系统搭建 |
| 5.2.1 Zynq平台简介 |
| 5.2.2 系统总体架构部署 |
| 5.2.3 模块化IP设计 |
| 5.2.4 运行环境配置 |
| 5.2.5 软件工程设计 |
| 5.3 系统验证与性能分析 |
| 5.3.1 实验结果对比分析 |
| 5.3.2 系统性能分析 |
| 5.4 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 |
（2）基于目标增强融合的铁路异物侵限检测方法研究（论文提纲范文）
| 致谢 |
| 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 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 存在的问题及发展趋势 |
| 1.3 研究内容与章节安排 |
| 2 基于目标增强融合的异物侵限检测算法方案设计 |
| 2.1 系统需求分析 |
| 2.2 算法总体方案 |
| 2.3 本章小结 |
| 3 基于直线特征的红外和可见光图像配准算法 |
| 3.1 图像预处理 |
| 3.1.1 小波分析 |
| 3.1.2 基于结构元素的形态学操作 |
| 3.1.3 连通域标记 |
| 3.2 极向投影提取直线特征 |
| 3.3 基于钢轨直线特征的粗配准 |
| 3.3.1 定义直线特征描述符 |
| 3.3.2 直线特征匹配 |
| 3.3.3 粗配准 |
| 3.4 基于非共面直线约束的精配准 |
| 3.5 配准结果分析 |
| 3.5.1 铁路场景下配准结果分析 |
| 3.5.2 特殊条件下配准结果分析 |
| 3.6 本章小结 |
| 4 基于改进Vibe的目标增强算法 |
| 4.1 运动目标检测算法 |
| 4.1.1 传统目标检测算法分析与比较 |
| 4.1.2 基于单高斯建模的运动目标检测 |
| 4.1.3 基于混合高斯建模的运动目标检测 |
| 4.1.4 基于码本算法的运动目标检测 |
| 4.1.5 基于Vibe算法的运动目标检测 |
| 4.2 基于改进Vibe的运动目标检测算法 |
| 4.2.1 自适应阈值的Vibe算法 |
| 4.2.2 融合三帧差法和改进Vibe的目标检测算法 |
| 4.3 目标增强融合算法 |
| 4.3.1 目标区域相似度 |
| 4.3.2 目标区域增强 |
| 4.4 实验结果分析 |
| 4.4.1 运动目标检测结果分析 |
| 4.4.2 目标增强实验结果 |
| 4.5 本章小结 |
| 5 基于相位一致性和四阶相关系数的NSCT图像融合算法 |
| 5.1 融合方法概述 |
| 5.2 基于相位一致性和四阶相关系数的图像融合算法设计 |
| 5.2.1 非下采样contourlet变换 |
| 5.2.2 基于相位一致性的低频子带融合规则 |
| 5.2.3 基于四阶相关系数匹配的高频子带融合规则 |
| 5.3 图像融合的质量评价指标 |
| 5.3.1 图像融合的主观评价指标 |
| 5.3.2 图像融合的客观评价指标 |
| 5.4 图像融合结果分析 |
| 5.4.1 源图像与多种融合图像质量评价 |
| 5.4.2 运动目标融合检测结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于数据融合的道面裂缝检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 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 基于可见光图像的裂缝检测研究现状 |
| 1.2.2 基于图像融合的目标检测研究现状 |
| 1.2.3 难点及问题分析 |
| 1.3 研究内容及组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文的结构安排 |
| 第二章 道面红外与可见光图像的采集与配准 |
| 2.1 红外和可见光图像成像原理及特性分析 |
| 2.2 红外和可见光图像在裂缝检测应用中的对比分析 |
| 2.3 道面红外与可见光图像采集 |
| 2.4 红外图像与可见光图像的配准 |
| 2.5 本章小结 |
| 第三章 基于神经网络的可见光图像裂缝初步识别 |
| 3.1 深度学习发展概述 |
| 3.2 稠密连接与深度监督相关理论概述 |
| 3.2.1 稠密连接神经网络介绍 |
| 3.2.2 深度监督神经网络介绍 |
| 3.3 基于稠密连接与深度监督的裂缝检测算法设计 |
| 3.4 基于稠密连接与深度监督的裂缝检测算法实现 |
| 3.4.1 稠密连接模块 |
| 3.4.2 深度监督模块 |
| 3.4.3 类别平衡交叉熵损失函数 |
| 3.4.4 其他实现细节 |
| 3.5 实验结果与分析 |
| 3.5.1 实验设置 |
| 3.5.2 评价指标 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于决策级信息融合的道面裂缝判定 |
| 4.1 图像融合的层次划分 |
| 4.2 基于多传感器融合的道面裂缝判定算法设计 |
| 4.3 基于多传感器融合的道面裂缝判定算法实现 |
| 4.3.1 基于局部差分法的红外图像裂缝提取 |
| 4.3.2 基于多属性决策模型的裂缝判定 |
| 4.3.3 基于形态学的裂缝筛选 |
| 4.4 实验结果与分析 |
| 4.4.1 数据集 |
| 4.4.2 评估指标 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来研究工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（4）装甲车辆融合探测辅助驾驶系统（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 装甲车辅助驾驶系统研究现状 |
| 1.2.2 融合探测研究现状 |
| 1.2.3 目标检测研究现状 |
| 1.3 本文主要研究内容及章节安排 |
| 2 融合探测辅助驾驶系统设计 |
| 2.1 系统总体设计方案 |
| 2.2 前端探测器 |
| 2.2.1 非制冷红外探测器 |
| 2.2.2 白光CCD探测器 |
| 2.3 信号处理模块 |
| 2.3.1 FPGA硬件平台介绍 |
| 2.3.2 GPU架构 |
| 2.4 显示模块 |
| 2.5 本章小结 |
| 3 图像融合算法研究及FPGA实现 |
| 3.1 图像配准算法 |
| 3.1.1 图像配准原理 |
| 3.1.2 基于FAST特征点快速配准算法 |
| 3.2 图像融合算法 |
| 3.2.1 图像多尺度分解 |
| 3.2.2 基于邻域关联性的融合准则 |
| 3.2.3 多尺度图像重构 |
| 3.3 融合算法FPGA硬件实现 |
| 3.3.1 视频解码模块设计 |
| 3.3.2 图像配准模块设计 |
| 3.3.3 多尺度图像融合模块设计 |
| 3.4 算法仿真与结果分析 |
| 3.5 本章小结 |
| 4 基于信息融合的目标检测算法 |
| 4.1 基于残差神经网络的多尺度特征提取方法 |
| 4.1.1 深度残差网络 |
| 4.1.2 特征金字塔网络 |
| 4.2 基于模糊神经网络的信息融合算法 |
| 4.3 基于Corner Net的融合目标检测算法 |
| 4.4 信息融合模型的训练与仿真 |
| 4.4.1 同一场景道路数据集 |
| 4.4.2 模型训练 |
| 4.4.3 算法仿真与结果分析 |
| 4.5 本章小结 |
| 5 系统验证与结果分析 |
| 5.1 系统试验平台搭建 |
| 5.2 融合目标检测算法移植 |
| 5.2.1 Jetson TX2 平台概述 |
| 5.2.2 融合目标检测算法在Jetson TX2 平台移植 |
| 5.2.3 基于Tensor RT的融合算法加速 |
| 5.3 实验结果分析 |
| 5.3.1 图像配准结果分析 |
| 5.3.2 图像融合结果分析 |
| 5.3.3 融合目标检测结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）针对空中小目标的红外与毫米波复合检测技术研究（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 研究现状 |
| 1.2.1 红外小目标检测研究现状 |
| 1.2.2 毫米波目标检测与参数估计研究现状 |
| 1.2.3 红外与毫米波复合检测研究现状 |
| 1.3 红外与毫米波复合检测的技术难点 |
| 1.4 论文主要内容及结构 |
| 第二章 红外与毫米波复合检测系统设计思路 |
| 2.1 红外与毫米波复合检测系统架构 |
| 2.1.1 红外与毫米波复合检测系统组成 |
| 2.1.2 毫米波相控阵天线阵设计 |
| 2.2 红外与毫米波复合检测方式分析 |
| 2.3 本章小结 |
| 第三章 基于局部梯度特征的红外小目标检测 |
| 3.1 目标与背景红外特性分析 |
| 3.1.1 目标特性 |
| 3.1.2 背景杂波特性 |
| 3.1.3 噪声特性 |
| 3.2 基于LOG尺度空间的红外图像小目标检测算法分析 |
| 3.3 基于局部梯度特征的复杂背景下红外小目标检测 |
| 3.3.1 局部梯度二阶原点矩 |
| 3.3.2 滞后阈值分割法 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于FRFT的毫米波运动目标速度特性参数估计 |
| 4.1 目标与噪声毫米波特性分析 |
| 4.1.1 目标特性 |
| 4.1.2 噪声特性 |
| 4.2 相控阵雷达的信号处理和参数估计 |
| 4.2.1 毫米波相控阵雷达的信号处理 |
| 4.2.2 基于FRFT的速度特性参数估计 |
| 4.3 基于u域优化牛顿法的FRFT速度特性参数精估计 |
| 4.3.1 FRFT参数估计分辨率分析 |
| 4.3.2 基于u域优化牛顿法的LFM信号参数估计 |
| 4.4 仿真结果及分析 |
| 4.5 本章小结 |
| 第五章 基于视觉注意机制的引导式红外与毫米波复合检测 |
| 5.1 视觉注意机制 |
| 5.1.1 视觉注意机制的分类 |
| 5.1.2 引导式红外和毫米波复合检测工作流程 |
| 5.2 红外全局显着图构建 |
| 5.2.1 针对红外小目标的视觉特征 |
| 5.2.2 基于贝叶斯框架的红外全局显着图构建 |
| 5.3 基于视觉焦点转移的毫米波验证性检测 |
| 5.3.1 视觉焦点转移原则 |
| 5.3.2 基于模糊模式的毫米波目标检测 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 基于异构数据处理的并列式红外与毫米波复合检测 |
| 6.1 异构数据处理步骤 |
| 6.1.1 红外特征提取 |
| 6.1.2 数据关联 |
| 6.1.3 特征约简 |
| 6.2 基于HVS的红外特征提取 |
| 6.3 网格化全局最近邻数据关联 |
| 6.4 基于先验信息的加权互信息特征选择 |
| 6.5 实验结果及分析 |
| 6.5.1 数据集及实验设置 |
| 6.5.2 融合检测与单传感器的检测结果与分析 |
| 6.5.3 HVS特征提取和网格化数据关联的检测结果与分析 |
| 6.5.4 PWMI特征选择的检测结果与分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（6）基于多源LSSVM的车型识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.2.1 课题来源 |
| 1.2.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.4 本文主要研究内容及安排 |
| 2 改进最小二乘支持向量机算法研究 |
| 2.1 最小二乘支持向量机理论研究与分析 |
| 2.1.1 最小二乘支持向量机理论 |
| 2.1.2 最小二乘支持向量机现有缺陷分析 |
| 2.2 改进差分进化算法 |
| 2.2.1 差分进化算法理论 |
| 2.2.2 改进差分进化算法 |
| 2.3 改进DE优化LSSVM |
| 2.4 仿真实验与结果分析 |
| 2.4.1 改进DE与传统DE算法的比较 |
| 2.4.2 改进LSSVM与传统LSSVM 比较 |
| 2.5 本章小结 |
| 3 基于车型识别的红外图像特征提取算法研究 |
| 3.1 图像去噪 |
| 3.1.1 图像去噪方法 |
| 3.1.2 仿真实验结果及分析 |
| 3.2 图像增强 |
| 3.2.1 图像增强方法 |
| 3.2.2 仿真实验结果及分析 |
| 3.3 核主成分分析算法 |
| 3.3.1 KPCA推导 |
| 3.3.2 KPCA算法步骤 |
| 3.4 本章小结 |
| 4 基于车型识别的可见光图像特征提取算法研究 |
| 4.1 图像灰度化 |
| 4.1.1 图像灰度化方法 |
| 4.1.2 仿真实验结果及分析 |
| 4.2 卷积神经网络 |
| 4.2.1 人工神经网络概述 |
| 4.2.2 卷积神经网络概述 |
| 4.2.3 局部感知与权值共享 |
| 4.2.4 卷积与降采样操作 |
| 4.2.5 激活函数 |
| 4.2.6 CNN反向误差传播 |
| 4.3 CNN-LSSVM算法设计 |
| 4.3.1 CNN-LSSVM模型结构 |
| 4.3.2 CNN-LSSVM算法流程 |
| 4.3.3 仿真与实验分析 |
| 4.4 本章小结 |
| 5 基于多源改进LSSVM的车型识别方法研究 |
| 5.1 红外与可见光传感器特征的分析 |
| 5.2 特征级信息融合与典型相关分析算法研究 |
| 5.2.1 特征级融合 |
| 5.2.2 典型相关分析 |
| 5.3 基于多源改进LSSVM的车型识别的设计 |
| 5.3.1 总体方案构建 |
| 5.3.2 基于多源改进LSSVM的目标识别流程 |
| 5.3.3 LSSVM多分类推广 |
| 5.4 基于改进LSSVM的车型分类实验验证 |
| 5.4.1 仿真实验及分析 |
| 5.4.2 车辆特征提取及特征库的建立 |
| 5.4.3 实验与结果分析 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（7）基于特征融合的红外目标识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要内容和工作安排 |
| 1.4 本文主要结构设计 |
| 第2章 红外目标识别的基础原理和方法 |
| 2.1 红外图像的预处理方法 |
| 2.1.1 加权平均灰度化图像 |
| 2.1.2 高斯滤波算法去除噪声 |
| 2.1.3 灰度直方图均衡化图像处理 |
| 2.2 目标识别的影响因素 |
| 2.3 目标识别的性能评价方法 |
| 2.4 本章小结 |
| 第3章 红外图像的目标特征融合算法 |
| 3.1 概述 |
| 3.2 目标选择与特征提取 |
| 3.3 目标特征量提取方法 |
| 3.3.1 全局颜色特征 |
| 3.3.2 局部运动特征 |
| 3.3.3 局部边缘特征 |
| 3.4 目标特征数据信息的融合处理 |
| 3.5 目标特征库的建立 |
| 3.6 本章小结 |
| 第4章 基于特征融合的序列蒙特卡罗识别算法 |
| 4.1 序列蒙特卡罗算法建立 |
| 4.1.1 贝叶斯估计应用 |
| 4.1.2 蒙特卡罗积分的应用 |
| 4.1.3 重要性采样技术的引用 |
| 4.1.4 序列重采样粒子技术实现 |
| 4.2 基于特征融合的序列蒙特卡罗识别应用 |
| 4.2.1 粒子状态转移模型的建立 |
| 4.2.2 融合特征与观测模型的应用 |
| 4.2.3 特征融合的序列蒙特卡罗算法建立 |
| 4.2.4 实验结果与分析 |
| 4.3 本章小结 |
| 第5章 基于特征融合的优化SOFM网络识别 |
| 5.1 粒子群优化算法的建立 |
| 5.1.1 粒子群优化基本思想 |
| 5.1.2 优化算法流程 |
| 5.2 SOFM神经网络识别算法 |
| 5.2.1 网络结构建立 |
| 5.2.2 网络应用特点 |
| 5.2.3 SOFM网络应用分类及参数设定 |
| 5.3 粒子群优化SOFM神经网络的实现 |
| 5.4 实验结果与分析 |
| 5.5 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 |
（8）可见光/红外图像特征级融合目标识别研究（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 多源图像信息融合概述 |
| 1.2.1 像素级融合 |
| 1.2.2 特征级融合 |
| 1.2.3 决策级融合 |
| 1.2.4 不同层级融合应用方向及性能分析 |
| 1.3 国内外研究现状 |
| 1.3.1 多源图像融合显示的国内外研究现状 |
| 1.3.2 多源图像融合识别的国内外研究现状 |
| 1.3.3 存在的问题与不足 |
| 1.4 论文的主要研究工作及章节安排 |
| 第二章 可见光与红外图像特点及多特征提取 |
| 2.1 可见光与红外成像原理及特点 |
| 2.1.1 可见光成像原理 |
| 2.1.2 红外热成像原理 |
| 2.1.3 可见光与红外图像特点分析 |
| 2.1.4 无人机平台下的可见光与红外成像系统 |
| 2.1.5 可见光/红外双源数据集介绍 |
| 2.2 可见光与红外图像多特征提取 |
| 2.2.1 基于Gabor滤波器的特征提取 |
| 2.2.2 基于局部二值模式的特征提取 |
| 2.2.3 基于灰度共生矩阵的特征提取 |
| 2.2.4 基于颜色直方图的特征提取 |
| 2.2.5 基于边缘直方图的特征提取 |
| 2.2.6 基于Hu不变矩的特征提取 |
| 2.2.7 双源图像的多特征集合构建 |
| 2.3 实验结果与分析 |
| 2.3.1 实验数据 |
| 2.3.2 多特征集合构建及参数设置 |
| 2.3.3 实验结果 |
| 2.3.4 特征的相关性分析 |
| 2.3.5 特征的敏感性分析 |
| 2.4 本章小结 |
| 第三章 结合mRMR与 PCA的可见光/红外图像特征级融合 |
| 3.1 特征级融合算法概述 |
| 3.2 常见的特征级融合算法 |
| 3.2.1 串联融合算法 |
| 3.2.2 并联融合算法 |
| 3.2.3 基于Fisher Score的特征融合算法 |
| 3.2.4 基于遗传算法的特征融合算法 |
| 3.2.5 基于典型相关分析的特征融合算法 |
| 3.3 基于最大相关最小冗余的单源图像多特征融合 |
| 3.3.1 互信息理论 |
| 3.3.2 特征评价与搜索策略 |
| 3.3.3 单源图像多特征选择融合实现 |
| 3.3.4 可见光与红外单源图像mRMR融合特征提取流程 |
| 3.4 基于主成分分析的双源图像特征融合 |
| 3.4.1 主成分分析原理 |
| 3.4.2 主成分分析数学模型 |
| 3.4.3 主成分分解推导 |
| 3.4.4 主成分的选择 |
| 3.4.5 双源图像特征变换融合实现 |
| 3.5 基于mRMR_PCA融合特征的可见光/红外图像目标识别 |
| 3.5.1 算法流程图 |
| 3.5.2 可见光/红外图像多特征集合构建与参数设定 |
| 3.5.3 实验数据集 |
| 3.5.4 分类器选择 |
| 3.5.5 实验平台 |
| 3.5.6 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于卷积神经网络的双源图像特征提取及融合识别算法 |
| 4.1 传统多特征提取算法的局限性 |
| 4.1.1 时间局限性 |
| 4.1.2 特征描述局限性 |
| 4.2 卷积神经网络概述 |
| 4.2.1 局部感知与权值共享 |
| 4.2.2 多卷积核与多层卷积 |
| 4.2.3 非线性特征映射 |
| 4.2.4 池化降采样 |
| 4.2.5 网络模型的训练 |
| 4.2.6 网络的推导与实现 |
| 4.2.7 卷积神经网络的特征提取特点 |
| 4.3 基于卷积神经网络的图像CNN特征提取 |
| 4.3.1 迁移学习理论 |
| 4.3.2 基于迁移学习的卷积神经网络模型训练 |
| 4.3.3 卷积神经网络模型结构 |
| 4.3.4 可见光与红外图像CNN特征提取方法 |
| 4.4 基于双源图像CNN特征的融合识别 |
| 4.4.1 算法流程图 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 论文工作总结 |
| 5.2 课题研究展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（9）转子故障的多模态深度学习信息融合诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题来源与研究意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究意义 |
| 1.2 基于红外图像的故障诊断研究现状及不足 |
| 1.2.1 基于红外图像的故障诊断研究现状 |
| 1.2.2 基于红外图像的故障诊断的不足 |
| 1.3 基于振动的故障诊断研究现状 |
| 1.4 信息融合国内外研究现状与不足 |
| 1.4.1 信息融合国内外研究现状 |
| 1.4.2 信息融合技术的不足 |
| 1.5 主要研究内容 |
| 1.6 技术路线 |
| 第2章 基于CNN的红外和振动信号特征学习 |
| 2.1 引言 |
| 2.2 实验设计 |
| 2.3 基于红外图像故障诊断的原理 |
| 2.3.1 红外热成像原理 |
| 2.3.2 红外图像特点 |
| 2.3.3 基于直方图的红外图像特征提取 |
| 2.3.4 转子平台红外图像诊断原理 |
| 2.4 基于卷积神经网络的红外振动信号特征学习 |
| 2.4.1 CNN理论介绍 |
| 2.4.2 红外图像特征学习 |
| 2.4.3 振动信号特征学习 |
| 2.5 基于KPCA的特征降维和可视化 |
| 2.6 本章小结 |
| 第3章 基于视觉显着性检测和阈值优化的红外图像敏感区提取 |
| 3.1 引言 |
| 3.2 旋转设备红外图像显着性检测 |
| 3.2.1 基于直方图的对比度 |
| 3.2.2 区域对比度 |
| 3.2.3 二值化图像分割 |
| 3.3 基于分类结果的图像分割阈值优化 |
| 3.3.1 初步分割阈值计算 |
| 3.3.2 敏感区域提取和特征值计算 |
| 3.3.3 阈值优化过程 |
| 3.4 基于随机森林的故障分类 |
| 3.4.1 CART决策树 |
| 3.4.2 随机森林分类流程 |
| 3.5 基于红外图像的转子平台故障诊断 |
| 3.6 本章小结 |
| 第4章 转子故障的多模态深度学习融合诊断方法 |
| 4.1 引言 |
| 4.2 多模态深度学习方法 |
| 4.3 基于多模态CNN的信息融合故障诊断模型 |
| 4.3.1 多模态CNN信息融合模型 |
| 4.3.2 多模态CNN的网络结构设计 |
| 4.4 基于多模态CNN的故障诊断实例 |
| 4.4.1 基于D-S理论的转子平台信息融合故障诊断 |
| 4.4.2 基于BP神经网络的转子平台信息融合故障诊断 |
| 4.4.3 基于多模态CNN的转子平台信息融合故障诊断 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
| 致谢 |
（10）红外雷达融合识别仿真技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 本论文研究目的及其意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.3 研究内容及工作安排 |
| 第2章 红外雷达单传感器目标仿真与识别 |
| 2.1 引言 |
| 2.2 序列红外图像中段目标识别方法 |
| 2.2.1 空间目标的红外辐射模型 |
| 2.2.2 中段目标中序列红外图像仿真 |
| 2.2.3 序列红外图像目标识别及实验分析 |
| 2.3 雷达目标一维距离像识别方法 |
| 2.3.1 弹道中段目标运动特性及其建模 |
| 2.3.2 目标的雷达回波一维距离像数据仿真 |
| 2.3.3 一维距离像识别及实验分析 |
| 2.4 目标识别隶属度的确定 |
| 2.5 本章小结 |
| 第3章 DS证据推理在异源传感器信息融合中的改进 |
| 3.1 多传感器融合简介 |
| 3.2 经典的DS证据及其存在的问题 |
| 3.2.1 DS证据组合规则 |
| 3.2.2 DS证据在红外雷达融合中存在的问题 |
| 3.3 DS理论修正方法 |
| 3.3.1 证据的权值预处理 |
| 3.3.2 基于距离信息的冲突系数修正 |
| 3.4 证据推理融合仿真分析 |
| 3.5 本章小结 |
| 第4章 基于DS理论的决策层时空融合神经网络模型 |
| 4.1 引言 |
| 4.2 基于DS理论的决策层目标识别融合算法 |
| 4.2.1 不相容证据体的时空融合 |
| 4.2.2 相容证据体的时空融合 |
| 4.3 异源传感器的决策层时空融合与神经网络模型 |
| 4.3.1 决策层时空信息神经网络融合模型的建立 |
| 4.3.2 时空融合模型参数的在线学习方法 |
| 4.3.3 多传感器融合仿真实验分析 |
| 4.4 虚警漏警情况下的时空融合 |
| 4.4.1 虚警漏警与证据冲突 |
| 4.4.2 证据冲突时的融合仿真结果分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
四、基于红外图像信息融合的目标检测和识别技术研究（论文参考文献）
- [1]红外与可见光图像融合的目标识别方法研究[D]. 孟志敏. 沈阳理工大学, 2021(01)
- [2]基于目标增强融合的铁路异物侵限检测方法研究[D]. 许鑫龙. 北京交通大学, 2020(03)
- [3]基于数据融合的道面裂缝检测方法研究[D]. 聂晶晶. 中国民航大学, 2020(01)
- [4]装甲车辆融合探测辅助驾驶系统[D]. 洪宇. 南京理工大学, 2019(01)
- [5]针对空中小目标的红外与毫米波复合检测技术研究[D]. 魏元. 国防科技大学, 2019(01)
- [6]基于多源LSSVM的车型识别方法研究[D]. 曾杰. 西安工业大学, 2019(03)
- [7]基于特征融合的红外目标识别研究[D]. 吴彩莲. 沈阳理工大学, 2019(03)
- [8]可见光/红外图像特征级融合目标识别研究[D]. 冷阳. 南京航空航天大学, 2019(02)
- [9]转子故障的多模态深度学习信息融合诊断方法研究[D]. 刘子旺. 中国石油大学(北京), 2018(01)
- [10]红外雷达融合识别仿真技术研究[D]. 付惠泉. 北京理工大学, 2018(07)