基于计算机视觉的洞库类目标识别

论文摘要

洞库类目标包含有隧道、坑道、军事洞库等,在道桥建设、地理勘探、军事技术等领域中具有很高的识别价值。近年来计算机视觉技术发展迅速,基于计算机视觉技术的目标识别效果良好且成本低廉。本文针对洞库类目标的自动化识别方法较少,且主要集中于多传感器融合等领域,实现难度较大、成本高昂等问题,提出并设计了基于多特征、深度学习、红外与可见光图像融合的三种洞库类目标识别方法。提出了基于多特征的洞库类目标识别方法,完成了对未伪装遮挡和部分伪装遮挡的洞库识别。该方法利用HOG特征预筛选图像;然后根据洞库类目标的灰度特征提出了一种图像局部自适应阈值生成算法,分割并提取图像中的疑似目标;最后利用洞库类目标的形状特征,判别图像中的各个疑似轮廓,完成识别。该方法识别准确率较高,但漏检率较高,且在图像噪声复杂的情况下识别效果下降。提出了基于深度学习的洞库类目标识别方法,相较于基于多特征的方法识别准确率更高。传统的深度学习方法需要海量的训练数据,该方法结合卷积神经网络、元学习理论建立元-卷积网络,利用小样本即可训练得出模型;然后融合持续学习理论,结合基于多特征的方法设计专家审核模型,使模型可以持续学习更新。该方法在图像具有多种噪声的情况下对未伪装遮挡和部分伪装遮挡的洞库都可以保持较高的识别准确率。设计了基于红外与可见光图像融合的洞库类目标识别方法,完成了洞库类目标的全天候识别。该方法采集完全伪装遮挡和夜间洞库的红外图像,分析红外特征,确定温差阈值,识别完全伪装遮挡和夜间的洞库;然后使用基于VGG网络的图像融合方法,融合本文提出的基于深度学习的洞库类目标识别方法的识别结果（可见光图像）,和红外图像的识别结果。该方法同时利用可见光图像和红外图像,实现了对洞库类目标的全天候识别。本文最后建立洞库类目标数据库,并根据基于红外与可见光图像融合的洞库类目标识别方法,设计洞库类目标识别系统,完成了相关实验和分析。结果表明,本文方法对洞库类目标识别准确率较高,稳定性较好。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 1 引言
•   1.1 研究背景与意义
•   1.2 国内外研究现状
•     1.2.1 洞库类目标识别研究现状
•     1.2.2 深度学习研究现状
•     1.2.3 红外融合研究现状
•   1.3 本文研究的主要内容
• 2 基于多特征的洞库类目标识别算法研究
•   2.1 洞库类目标特征分析
•   2.2 基于HOG特征的图像预分类
•   2.3 基于图像局部自适应阈值生成算法的洞库类目标分割
•   2.4 基于形状特征的洞库类目标判别
•   2.5 基于多特征方法的实验与分析
• 3 基于深度学习的洞库类目标识别算法研究
•   3.1 基于小样本的洞库类目标识别元-卷积网络
•     3.1.1 卷积神经网络原理
•     3.1.2 基于小样本洞库类目标的元-卷积网络
•   3.2 基于元-卷积网络的洞库识别持续学习系统
•     3.2.1 持续学习
•     3.2.2 基于元-卷积网络的持续学习系统
•   3.3 基于深度学习方法的实验与分析
• 4 基于红外与可见光图像融合的洞库类目标识别算法研究
•   4.1 基于红外特征的洞库类目标识别
•     4.1.1 洞库类目标红外特征分析
•     4.1.2 洞库类目标红外温差阈值及识别
•   4.2 洞库类目标红外图像与可见光图像融合算法
•   4.3 基于红外与可见光图像融合的洞库类目标识别
•   4.4 基于红外与可见光图像融合方法的实验与分析
• 5 洞库类目标识别系统设计与实验
•   5.1 洞库类目标数据库建立
•   5.2 洞库类目标识别系统设计
•   5.3 洞库类目标识别系统实验与分析
• 6 结论
• 参考文献
• 作者简历
• 学位论文数据集

文章来源

类型: 硕士论文

作者: 贾博然

导师: 陈科山

关键词: 洞库,目标识别,计算机视觉,深度学习,红外热成像,图像融合

来源: 北京交通大学

年度: 2019

分类: 基础科学,工程科技Ⅰ辑,信息科技

专业: 地质学,地球物理学,矿业工程,计算机软件及计算机应用

单位: 北京交通大学

分类号: TP391.41;P631.3

总页数: 77

文件大小: 6998K

下载量: 73