论文部分内容阅读
红外目标检测系统可在光线不佳或恶劣环境下工作，具有隐蔽性好、抗干扰能力强、能够识别伪装目标以及被动检测等优点，已经广泛地应用在航空科技、军事制导、卫星红外气象图以及交通监管等领域。本论文针对红外目标的检测方法展开相关研究，主要工作如下: 选取行人和车辆作为红外检测的目标，采用两种机器学习的方法对两类目标进行检测，发现机器学习方法有需要人工设定提取特征、只能根据具体目标训练特定分类器、不能同时对多种目标进行检测以及对表现形式复杂的目标没有很好的适应性等缺点。目前基于卷积神经网络的目标检测方法在可见光条件下取得了相当不错的检测结果，能够很好地解决上述问题。本文提出将卷积神经网络的目标检测方法应用到红外目标的检测上，构建了基于卷积神经网络的红外目标检测模型，通过对网络的训练学习，实现了对红外目标的检测。另外，基于卷积神经网络的目标检测模型的候选区域提取过程常采用选择性搜索法，选择性搜索法很大程度上依赖颜色相似度来提取候选区域，这种提取算法在红外图像上并不适合，而且提取时间相对过长。因此，本文提出了一种基于改进的最大类间方差法的优化算法，该方法通过对红外图像分割及轮廓提取，将轮廓的外接矩形的多尺度缩放和筛选结果作为候选区域，提高了候选区域提取的速度和准确度。目前卷积神经网络池化层的池化算法常采用平均值池化法或最大值池化法，这两种池化方法在一些情况下会对特征值造成削弱，本文提出一种兼顾最大值和平均值的池化算法，提高了神经网络训练过程的收敛速度以及池化过程的特征提取精度。