基于Faster R-CNN的高速公路抛落物检测

采用传统的基于图像处理的检测方法对高速公路抛落物进行检测不仅耗时耗力,而且检测效果不理想,为解决该问题,提出一种基于Faster R-CNN的深度学习检测方法.在原始Faster R-CNN的基础上,采用残差网络Resnet101代替传统的VGG-16网络和ZFNet网络,作为图像特征提取网络;采用尺寸为4像素、8像素和16像素的锚框代替原始锚框,得到高速公路抛落物检测模型.采用自制的高速公路抛落物数据集对该检测方法的有效性进行验证,结果显示,采用该方法检测的平均准确率达到了91.75％,相比原始的Faster R-CNN算法和yolov3算法,分别提高了7.02％和11.13％.     

基于块匹配的迭代滤波在SAR舰船图像去噪中的应用

SAR以自身所具备的诸多优势,在舰船中得到越来越广泛的应用。在实际应用中发现,SAR的成像机制使图像中容易出现相干斑噪声,对舰船目标检测与识别造成影响。为最大限度地发挥出SAR图像的作用,需要采取合理可行的方法,对SAR图像进行去噪。块匹配算法在SAR图像去噪中的效果较为显著,而常规的块匹配存在虚假信号引入,未能达到平滑去噪的效果。为解决这一问题,可通过迭代滤波的方法,对块匹配算法进行优化。结果表明,经过迭代滤波优化后的块匹配算法,能够达到SAR图像的去噪要求。     

基于标准化灰度霍夫SAR图像的舰船尾流探测算法变换研究

目前,合成孔径雷达(SAR)图像技术在舰船检测和监视等方面的应用越来越广泛,特别是在舰船目标识别方面。当运用SAR图像技术进行舰船尾迹检测时,面临的主要问题是缺乏自适应的检测算法和检测系统,导致舰船尾迹检测的项目稀少,获取的目标信息单一,既无法发挥SAR图像技术的优点,又无法准确有效地进行舰船尾迹检测。本文详细分析了影响尾迹产生的因素,在Hough变换的基础上,进行了SAR图像技术在舰船尾迹检测中的研究。     

SVM在合成孔径雷达图像目标识别中的应用

提出一种采用Zernike矩和支持向量机SVM结合对SAR图像中的舰船目标类型进行分类识别的算法。此算法首先对SAR舰船切片图像进行预处理,再采用Zernike矩提取SAR舰船图像切片的旋转不变特征算子;然后,利用支持向量机的方法对目标样本进行训练构造分类器,并采用"一对一"多类方式实现多类舰船目标的识别。最后,仿真建立3类舰船三维模型,并利用本文算法进行分类识别,实验结果表明本文算法能够有效识别舰船目标。     

基于PCA算法的SAR图像舰船目标长宽特征提取

随着SAR图像成像技术的不断发展,几何特征被广泛应用在目标识别中,长宽特征因其简单直观、效率高、易于提取等优势,常被作为船只类型的初始判定,针对SAR图像舰船目标长宽特征提取问题,提出一种新的方法。首先通过水平集以及形态学方法获得预处理后的目标图像,利用PCA算法获取SAR图像舰船目标的长轴,结合最小二乘椭圆拟合方法获取舰船目标的短轴,最终得到舰船目标的长宽特征。通过实测SAR图像处理结果表明,该方法能够在背景杂波干扰下,抑制相干斑噪声的影响,提高了长宽提取的精度,是一种有效的舰船目标长宽特征提取方法。     

基于深度学习方法的海上舰船目标检测

为了提高海上无人艇的舰船目标检测精度和速率,本文基于深度学习方法,利用卷积神经网络、区域建议网络及Fast R-CNN检测框架构建了舰船检测系统。该系统通过共享的卷积神经网络提取特征;通过区域建议网络生成候选区域;通过Fast R-CNN框架实现目标检测识别,从而实现端到端的舰船目标检测。实验结果表明,相比于传统机器学习目标检测算法,该舰船检测系统在检测精度及检测速率上均有大幅提高,达到83.79%的准确率及0.05 s/帧的检测速率。本文的舰船检测系统在检测精度及速率上均表现优异,满足了水面无人艇的工作要求。     

基于SAR图像的舰船检测算法

在基于海面杂波统计模型的基础上,在利用SAR图像系统技术的前提下,根据对舰船检测目标因素的客观分析,通过对各种舰船检测算法检测差异性的比较研究,进行相应算法分析,为优化算法在能够有效提高检测速度和检测精度的情形下,进一步增强舰船目标的综合检测性能。     

利用小波变换设计的SAR图像检测研究

近年来,合成孔径雷达(SAR)飞速发展,已成为当今获得遥感信息的主要传感器之一。SAR图像检测由于其高分辨率和全天候全方位的优点,成为舰船尾迹检测的最重要方式之一。然而,传统的人工检测方法已不能满足大量的SAR图像数据要求,因此,为提高检测的准确率,必须开发海面舰船目标监测算法。针对这一需求,本文开发一款基于小波变换设计的SAR图像检测算法,该算法兼顾速度和准确率,具有广阔的应用前景。     

基于深度学习网络的舰船识别方法

合成孔径雷达SAR由于穿透力强,可全天候工作,目前在海上目标探测等领域获得了非常广泛的应用,SAR图像的舰船识别技术也成为一项热点研究。本文研究侧重于利用深度学习算法和卷积神经网络,实现海上舰船SAR图像的快速、准确识别。首先介绍深度学习和卷积神经网络的原理,然后基于深度学习网络建立了SAR图像船舶快速识别算法,最后结合海上SAR图像数据进行了舰船识别的仿真试验。     

基于卷积神经网络的舰船图像边缘检测算法

为合理分布舰船行驶图像卷基层结构中的边缘化网络参数,设计基于卷积神经网络的舰船图像边缘检测算法。按照图像数据特征可视化处理依据,设定必要的神经动量值,完成基础卷积神经网络设计。在此基础上,命名舰船图像节点,再以基本边缘数据结构连接原理为参照,配置检测链接库,实现舰船图像边缘检测算法的顺利应用。对比实验结果,与理论检测手段相比,应用舰船图像边缘检测算法后,最大化网络参数值达到9.0×1015 T,图像边缘化检测覆盖率超过80%,舰船行驶图像卷基层结构中的边缘化网络参数达到理想化分布状态。