基于LARK和近邻结构匹配的红外目标识别方法

摘要

随着夜视成像技术的迅猛发展，红外目标检测识别技术愈加成熟，且拥有广泛的应用价值和广阔的前景。近几年来，国内外众多学者提出了多种目标识别方法，例如基于分类器和训练学习的识别方法、免训练的基于局部自适应回归核(Locally AdaptiveRegression Kernels，LARK)方法和基于局部统计匹配模型的目标识别方法（Local SimilarStructure Statistical Matching,LSSSM）等。
　　一方面，为了融合局部自适应回归核特征的优势，避免局部统计匹配造成的结构误差，另一方面，针对红外图像的低对比度和高噪声的特点，和其目标的随机性及背景遮挡性，提出了一种基于局部自适应回归核特征的近邻结构匹配算法（NeighboringStructure Reconstructed Matching，NSRM）。在提取红外图像的局部LARK特征矩阵的同时，考虑局部窗口邻域的结构关系。采用非负线性重构方法计算图像的近邻结构关系特征。同时对LARK特征矩阵和近邻结构关系特征矩阵做相似匹配，对两者匹配相似度图像作变换处理和分析，最终采用非极大值抑制的方法实现红外目标的检测和识别。
　　实验证明，在复杂场景下，该方法对非紧凑型红外目标的检测具有良好的效果，能一定程度上降低传统LARK方法的误检率。

目录

声明

摘要

1 绪论

1．1 课题背景及研究意义

1．2 红外图像目标识别的研究内容

1．3 国内外研究现状

1．4 本文的主要工作

2 局部自适应核特征提取

2．1 二维LARK特征提取

2．2 基于LARK特征的目标识别系统

2．3 基于LARK的局部相似结构统计匹配模型的目标识别系统

2．4 本章小结

3 基于LARK和近邻结构匹配(NSRM)的识别系统

3．1 NSRM(neighboring structure reconstructed matching)方法概述

3．2 测试图像预处理

3．2．1 图像降噪处理

3．2．2 图像分割和显著性区域提取

3．3 LARK权值矩阵的计算

3．4 近邻结构关系特征(NSRM)的提取

3．4．1 目标函数优化问题

3．4．2 近邻结构关系矩阵的计算

3．5 权值矩阵降维

3．6 余弦值矩阵统计匹配

3．6．1 余弦值统计

3．6．2 相似度图像的生成

3．7 相似度图像的融合

3．8 非极大值抑制方法获取有效目标位置

3．9 本章小结

4 NSRM方法在多波段图像上的改进

4．1 NSRM方法在三维和多波段图像上的改进需要

4．2 三维LARK特征的计算方法

4．3 三维近邻结构关系特征的计算方法

4．4 多波段图像的NSRM目标检测系统

4．5 本章小结

5 实验测试与参数分析

5．1 检测系统软件环境

5．2 检测系统参数分析

5．2．1 模板集的建立及其相似结构阈值τ

5．2．2 LARK窗口大小h1和NSRM窗口大小h2

5．2．3 LARK权值矩阵相似度阈值τ1

5．2．4 近邻结构关系矩阵相似度闽值τ2

5．2．5 非极大值抑制阈值μ

5．2．6 NSRM方法的时间效率

5．3 测试结果

5．3．1 二维红外图像人体识别测试

5．3．2 二维红外车辆测试

5．3．3 彩色车辆测试

5．4 本章小结

6 结论与未来工作展望

致谢

参考文献

攻读硕士学位期间发表的论文和出版著作情况

攻读硕士学位期间参加的科学研究情况

攻读硕士学位期间学术成果获奖情况