一、图像边缘检测的融合方案初探（论文文献综述）
陈晴[1]（2021）在《面向建筑设施的履带式机器人自动化巡检关键技术研究》文中认为随着城市化进程不断推进,包括管廊、隧道和大型库房等功能性建筑设施已成为了现代城市的基本组成部分,并由于这些建筑设施功能的基础性和普惠性,一旦其结构出现缺陷和病变而造成功能失效,必将严重影响城市的正常运转和市民的正常生活。因此,对这些建筑设施健康状况全天候无死角地监控一直以来受到业界的普遍重视,并形成了以移动巡检为主体的监控技术体系,重点发展了基于移动机器人的自动化巡检技术手段,有效解决了建筑设施分布面广、内部结构复杂、缺陷病变多样、工作环境恶劣等所带来的挑战。但是,目前基于移动机器人的自动化巡检技术还存在机器人爬行运动、自主导航以及缺陷病变视觉检测等能力有限的问题,必须予以突破。基于以上背景,本文提出开展面向建筑设施的履带式机器人自动化巡检关键技术研究,在了解国内外建筑设施机器人巡检相关技术研究现状及其发展趋势的基础上,确定建筑设施履带式机器人自动化巡检总体技术方案,完成履带式机器人机械本体的设计,重点解决履带式机器人运动控制与定位导航及建筑设施结构与裂缝视觉检测等关键技术,并实现系统的集成。同时,还开展实验研究以验证本文所研发技术的可行性和有效性。主要研究工作体现在:第一章,论述了论述建筑设施应用及其巡检技术研究的重要意义,系统总结了国内外建筑设施机器人自动化巡检相关技术的研究现状及其发展趋势,分析了当前建筑设施机器人自动化巡检技术所存在的问题及相应的对策,明确了论文的研究方向。同时,还对论文的研究内容及其章节进行了安排。第二章,分析移动机器人运动学建模、自主定位与导航以及机器视觉相关理论,为履带式机器人运动控制与定位导航算法及建筑设施结构与裂缝视觉检测算法的研究奠定必要的理论基础。同时,在明确面向建筑设施的履带式机器人自动化巡检系统功能与性能目标的基础上,完成了系统总体方案的设计,并凝练了有待解决的关键技术。第三章,开展履带式机器人运动控制与定位导航技术研究。在建立摆臂履带式机器人运动学模型和各类传感器数学模型的基础上,结合彩色相机、深度相机及IMU等多传感器信息,采用图像对齐与基于直接直线检测法和Sobel边缘检测算法的楼梯结构参数检测方法,提出了一种基于多信息融合的自动化爬梯技术。同时,使用扩展卡尔曼滤波融合里程计与IMU信息,改善履带式机器人的定位导航性能。第四章,开展建筑设施结构与裂缝的机器视觉检测技术研究。在建立相机数学模型的基础上,采用SIFT特征点匹配和运动恢复结构方法,引入滤光处理,根据机器人巡检过程中获得的图片进行结构重建,获得建筑设施内部结构的点云图。同时,使用改进的U-Net神经网络对采集图像进行处理,实现了建筑设施结构裂缝的检测。第五章,基于上述各章节所研发的理论与技术成果,采用分布式体系结构、模块化设计策略,在完成关键软硬件模块研发的基础上,进行了系统集成,研发出一套面向建筑设施的履带式机器人自动化巡检系统。同时,使用该系统进行履带式机器人的楼梯爬行、自主定位与导航及建筑设施结构与裂缝机器视觉成像检测等实验研究,以证实本文研发技术与系统的可行性和有效性。第六章,对全文的研究内容进行总结,对此后进一步深入研究进行展望。
臧颖[2]（2021）在《基于边缘感知的图像语义分割算法的研究》文中指出图像语义分割是计算机视觉中的基础任务,应用广泛。大多数现有方法通过获取丰富的上下文信息,聚合类内特征,生成语义分割的稠密预测。然而,基于上下文聚合的方法,忽略了边缘区域像素稀疏、特征不显着,导致边缘区域的分割效果不佳。之前已经存在一些方法,通过强调边缘信息来解决边缘区域分割不准确的问题,像使用注意力机制、额外的边缘辅助、将边缘作为附加类别等。但是,这些方法通常需要增加大量计算开支、对语义分割的辅助缺少有效交互或者相关性不够。本文提出了基于边缘感知的图像语义分割方法,对语义分割和边缘检测任务分别建模,使用相关性更强的语义边缘检测任务作为辅助任务,并创新性利用置信概率图融合两类任务的信息,为图像不同区域分配不同的融合强度,降低显着的物体内部特征对边缘区域特征的影响。此外,从语义分割信息中推理边缘信息,再和边缘检测任务输出的预测结果结合,针对结合后的边缘信息计算对应的损失,通过这种方式,一方面增加任务内部一致性约束,另一方面,帮助语义边缘检测任务抑制非边缘噪声,得到质量更高的辅助信息,从而提升整体的语义分割表现。本文在多个公开数据集上实验,实验结果显示,本文工作能够改善边缘区域的分割效果,提升图像语义分割结果。
刘步实[3]（2021）在《复杂交通场景下轻量化视觉感知方法研究》文中指出复杂交通场景的构成要素丰富、目标多元,智能车辆的环境感知技术不仅可以帮助其精确感知和理解周围态势,及时掌握自身行驶状态并与外界环境信息实现交互,还能够有助于促进安全性能的提升。随着以图像、视频为媒介的多媒体技术蓬勃发展,视觉传感设备提供的场景信息更加充裕可靠且成本较低,因此基于视觉的环境感知已成为了智能车辆完成路径规划、决策控制等功能不可或缺的途径之一。其中,轻量化感知方法是在保持精度基础上进一步降低模型复杂度和参数量,旨在减轻计算机存储以及运算量负担,既涵盖了对模型架构压缩等思想的灵活运用,也包含了相应计算效率的探索。这类方法推动了机器视觉、控制科学等技术在移动和嵌入式设备的应用落地,并在智能驾驶、智慧交通等诸多领域都得以广泛应用。本文重点研究如何利用图像处理方法实现更精准的环境感知,运用和设计新颖的轻量化感知结构模型,帮助自动驾驶技术可以在更加便携、易操作的处理平台上实现对高分辨率道路图像的感知与理解,提升智能车辆对于复杂交通场景的判断和辅助控制能力。环境感知的关键挑战来自于系统对高层视觉内容的灵敏解读和判断,从而辅助智能车辆迅速感知交通场景中的空间布局、目标特征等动态信息,为之提供值得信赖且足够精确的执行操作与探测响应的依据。不过,实际交通场景中的道路前景和背景会时刻发生变化,多种复杂目标特征各异且相互关联,即使是同类物体不同实体之间也可能会因为拍摄角度、距离等造成尺度变化或遮挡的情况发生。诸多客观因素都为基于视觉的环境感知方法带来了严苛的考验,使其实现全局的准确理解和信息交互仍有待巩固和提升。因此,本文围绕复杂交通场景视觉感知任务的关键技术进行深入研究与创新,利用基于机器视觉的思想感知不同层级的视觉特征,构建了多种改善环境感知性能的轻量化模型和方法,同时提高其精度及效率。首先,利用轻量化的机器学习分割方法获取图像浅层特征,完成了道路环境感知中的可行驶区域识别与提取。接着,为了更全面地理解道路语义内容,结合轻量化的级联卷积神经网络获取更深层次的图像特征,实现作为环境感知问题中核心解决方案的场景语义分割。在此基础上,为了能够进一步实现对场景中可能存在的车辆障碍物及时地感知和规避,构建了轻量化的车辆目标检测模型。研究成果对于智能车辆的环境感知能力和发展具有实际意义和参考价值。本文的具体研究内容与贡献概述如下:（1）道路场景因其结构的多样性、纹理变化的复杂性和自然曝光的不稳定性,使得基于道路分割的可行驶区域识别方法大多存在信息冗余,并且存在边界丢失、模糊等质量问题。本文提出了一种基于MS-RG混合图像分割模型,该模型在无监督学习方法下提供了更多的位置像素信息,且不依赖于数据量的大小,应用在道路图像分割上完成对目标可行驶区域的提取。引入图像变换增强理论进行预处理,利用超像素算法进行更直接高效地分割,优化多种子点区域生长分割方法,解决不能完整分割问题,有效处理全局与局部像素特征,更好地控制噪音和灰度不平均,使得图像各区域之间的边界信息分割也更加分明,改善了分割方法的鲁棒性和实时性。在道路图像数据集的实验结果表明,本文提出的模型适用性强,相比于其它方法有效地提升了分割准确性和实时性,可准确识别出图像中的道路信息,可以满足实际应用需求。（2）由于深度学习对街道环境的准确认知,卷积神经网络在交通道路场景的应用中取得了巨大的发展。然而,复杂的网络深度、大型数据集、实时需求等都是实现智能驾驶技术迫切需要解决的典型问题。本文提出了一种改进的轻量级实时语义分割网络,利用图像级联网络体系结构,同时考虑道路语义建模及深入到语义层次的道路环境深度理解,使用多尺度分支和级联特征融合单元来提取丰富的多层特征。在本文中,空间信息网络被设计为传输更多关于空间位置和边缘信息的先验知识。在训练阶段的过程中,本文还附加了额外的加权损失函数,优化道路图像语义分割的鲁棒问题,以增强深度学习网络系统的学习过程。这种轻巧的网络可以快速感知道路语义信息并根据分割结果实现对道路场景的环境感知,从而满足了辅助驾驶的需求。在道路数据集的实验结果表明,相比较其他流行的语义分割算法,本文模型对细节信息的处理能力和时效性上都得到了显着的提升。（3）在复杂道路场景下执行车辆障碍物检测任务,车辆目标易受到不同物体实例之间尺度变化以及其他交通目标遮挡等干扰,模型提取的特征属性不一致,尤其是目标物体和小尺度的物体发生漏检、误检问题。为了平衡检测性能和实时需求,本文提出了一种轻量化的基于多视野特征融合的车辆检测模型,采用单阶段多框的目标检测框架,利用不同的任务模块挖掘图像深层次关联信息,减少局部特征丢失,并且保证复杂交通场景中目标障碍物检测的效率。在深层特征上,构建了特征融合模块促进算法对多层特征层的上下文信息传递;在浅层特征上,采用基于多分支卷积和膨胀卷积构建特征金字塔的多视野模块多尺度特征,学习目标车辆障碍物的位置和类别。实验结果表明,本文模型在保证实时性的前提下,不仅提升了复杂交通目标中多尺度、遮挡物的检测性能,提高了环境感知算法的工作效率。
孙金萍[4]（2021）在《复杂场景下视频目标跟踪算法研究》文中提出视频目标跟踪是当前计算机视觉领域的重要研究方向,在人工智能和大数据应用中扮演着重要角色。目标跟踪的任务是根据第一帧中目标的初始状态,对视频序列后续帧中目标状态进行估计和定位。过去几十年里,大量关于目标跟踪的理论和算法相继提出,不断提高了算法性能。但是,当处理实际应用场景下目标跟踪问题时,随时会出现不可预知的干扰因素,影响到算法的效果,给跟踪带来巨大挑战。如何进一步提高目标跟踪算法在目标形变、低照度、背景干扰、快速运动、遮挡、低分辨率等复杂场景下的跟踪性能,并实现算法在实时性和鲁棒性之间的平衡,仍然是一个亟需解决的问题。本文以实现复杂场景下的目标跟踪为研究主线,以生成式模型和判别式模型的相关知识为驱动,在不影响实时性的前提下,以提高算法的准确率、成功率和鲁棒性为目标,设计目标跟踪算法。本文主要的研究工作概括如下:（1）针对传统Camshift算法的目标外观表征模型和重定位策略设计简单,在复杂场景下不能实现有效目标跟踪的问题,以优化目标外观表征模型和提高跟踪精度为目标,提出了一种联合改进局部纹理特征和辅助重定位的生成式跟踪算法。设计基于改进粒子群优化算法并强化邻域像素与中心像素相关性的局部纹理特征提取模式,依据特征贡献度和巴氏距离之间的相关性设计动态加权的多特征融合方案,借助Kalman位置补偿模型,联合多特征收敛的候选区域实现目标最终位置的估计。当跟踪漂移或失败时,有效利用历史跟踪痕迹,研究当前帧和历史目标模板之间的外部相似性以及当前帧候选区域的内部相似性,为目标重定位提供参考。实验结果表明,该算法提高了已有模型的距离准确率和重叠成功率,在跟踪精度方面表现突出。（2）针对相关滤波器处理边界效应问题时,在考虑输入特征相关性和多样性方面存在的不足,以优化滤波器特征选择模型和提高算法成功率为目标,提出了一种基于动态空间正则化和目标显着性引导的相关滤波跟踪算法。从构建空间正则化矩阵的滤波器目标函数入手,结合时序约束对滤波器进行优化求解,并在分析不同特征表征能力和相关滤波响应之间内在相关性的基础上,计算目标跟踪结果。当跟踪漂移或失败时,研究当前帧和前一帧以及第一帧之间的依赖关系,以此作为目标显着性检测的输入引导,获得更优的重检测结果。实验结果表明,该算法提高了已有模型的重叠成功率,在跟踪成功率和实时性方面表现一定的优势。（3）针对单个相关滤波器跟踪模型对背景干扰、低分辨率等复杂场景比较敏感的问题,以优化多传统手工特征交互融合的滤波器数学模型和提高算法准确率为目标,提出了一种多特征耦合和尺度自适应的相关滤波跟踪算法。通过构建多特征耦合滤波器目标函数的方式,利用拉格朗日方法对目标函数进行优化,分别训练两个独立的具有辨别能力的滤波器,根据不同特征贡献度和最大响应值之间的相关性,实现目标位置估计。引入平均峰值相关能量判断滤波响应的震荡程度,联合最大滤波响应值进行目标模型更新,并结合候选区域建议方案,能有效减少跟踪漂移现象。实验结果表明,该算法提高了已有模型的距离准确率。（4）针对传统相关滤波器在建模和目标外观表示等方面存在的不足,以优化滤波器模型的建模方法和提高算法鲁棒性为目标,提出了一种基于分层深度特征的低秩相关滤波跟踪算法。从滤波器的数学建模方式入手,利用套索回归建模方式对目标函数进行设计,学习一个空间稀疏且时序低秩的滤波器。通过分析卷积神经网络不同分层特征表示目标的特点,利用高层特征含有丰富语义信息的优势对目标进行粗粒度定位,再结合低层特征含有丰富位置信息的优势对目标进行精确定位,实现双重互补增强跟踪。实验结果表明,该算法增加了滤波器模型的可解释性和鲁棒性。
杜珂[5]（2021）在《变电站继电保护室智能巡检图像预处理关键技术研究》文中指出智能运维是电力巡检的重要发展趋势,搭载视觉采集终端的电力巡检机器人在继电保护室二次设备巡视中逐渐代替了人工巡检,但由于电力巡检机器人所处的巡检环境十分复杂,对视觉终端采用的图像处理算法提出了更高的要求。本文针对巡检过程中复杂成像环境下的视场过小、成像观测角偏移以及高光目标物遮挡等复杂成像环境对成像质量的影响,重点围绕图像畸变矫正、图像拼接和图像融合高光抑制等预处理技术展开研究,解决复杂巡检环境视觉成像存在的问题,为后续图像识别提供较好的图像源,提高识别准确率。论文所涉及的工作主要有:（1）基于图像畸变校正和图像拼接算法,针对变电站继保室控制柜的特点,提出一种基于特征块的图像拼接方法,实验结果表明,本文所采用的方法能够有效地解决变电站继保室中狭小空间的大视场成像问题,能够实现狭小空间大视场成像的图像畸变校正、无缝拼接、图像目标聚类划分,获得整个控制屏柜面板的清晰成像。（2）移动机器人视觉成像姿态柔性调整,拟通过目标物特征提取与匹配、姿态的预估计、在线控制的柔性调整,实现目标呈现的最佳拍摄。首先要获取摄像头序列图像信息,然后将读取到的视频进行目标识别处理,并对图像帧中的目标打上标签,对目标进行定位;最后以帧间目标图像位置为约束条件自适应调整机器人的观测姿态。（3）基于图像分割和图像融合的方法进行玻璃柜门高光检测与抑制。首先通过检测基准图像是否存在高光区域,然后利用ORB算法对存在高光区域的基准图像和待配准图像进行特征点对的提取,采用汉明距离剔除误匹配特征点,实现对特征点的粗剔除;接着基于RANSAC算法对粗特征点再次剔除,完成特征点的准确匹配;最后通过加权融合算法实现有效地去除压板图像高光干扰区域。应用实验测试结果表明,本文方法有效解决了变电站继电保护室巡检过程中视场过小、成像观测角偏移以及高光目标物遮挡等复杂成像环境对成像质量影响的问题,改善了机器人视觉终端巡检效果,对推动变电站巡检智能化具有重要意义。
马丽娜[6]（2021）在《基于机器视觉的磁体器件表面缺陷识别方法研究》文中研究指明随着磁体器件产量的激增,传统的人工检测已经不能满足生产需求。机器视觉的出现,解放了人们的双手,它具有高精确度、可靠性强、高安全性和非接触检测等优点。目前国内的机器视觉磁体缺陷检测技术一直在发展,可是在工业领域还有较大的发展空间,尤其在复杂的工厂环境下,比如待测工件背景较暗,工件与环境背景的对比度比较低等,本文算法也可以实现检测功能。本文设计了一套磁体缺陷检测系统,配合合理的光源模块和处理算法,能在黑暗环境中检测出划痕、掉角、凹坑和锈斑四种缺陷类别,实现了缺陷的分类识别和精准定位,具有很好的应用价值。为了提高工件与背景的对比度,将不同的光照强度图像进行融合,可以提取到更多的缺陷细节,也有效降低了缺陷检测中的遗漏概率。本文采用的环形光源低角度照射还可以避免工件轮廓边缘的伪影和黑影,更好地识别工件轮廓。对磁体器件表面缺陷进行了算法的处理研究。采用了双边滤波去噪算法,它具有保边去噪的优点;采用了图像融合算法,可以增强图像的对比度,凸显缺陷细节;伽马校正可调整低灰度图像的细节信息;通过调整ACE算法阈值,使图像细节增强;Canny边缘检测和形态学闭运算使得缺陷轮廓能很好地闭合。设计了轮廓提取算法,包括寻找轮廓算法和绘制轮廓算法,后续还对轮廓进行了轮廓筛选,去除了多层轮廓问题和一些微小的环境干扰。通过计算各类特征参数,根据不同的长宽比、填充度和灰度均值区分出来了不同的缺陷种类。最终设计了缺陷定位算法,能实现缺陷的精准定位,缺陷类别也在图像缺陷附近标出。可以直观地看出缺陷的位置和类别信息。最终,搭建了实验平台对本文算法进行了验证,还设计了基于LabVIEW的上位机软件实现了人机交互,能使缺陷的分类信息和特征参数显示在界面上。通过实验验证,本系统能实现的精度可达0.1mm。
王金凤[7]（2021）在《基于多信息融合的带式输送机故障诊断研究》文中研究表明带式输送机在港口煤炭转运过程中扮演着极为重要的角色,带式输送机长期处于高负载的连续运输状态,经常出现托辊卡死、皮带撕裂、滚筒损坏等故障。目前,主要采用单一传感器检测带式输送机的故障信息,而单一传感器在信息采集过程中存在模糊性、不全面性和精确性低等问题。针对这一问题,本文选择采用多传感器信息融合技术进行带式输送机故障诊断研究。论文的主要研究内容如下:通过分析带式输送机的常见故障,选用声音传感器和红外热成像仪两种类型的传感器,对实际运行情况下的带式输送机进行信息采集。根据采集到的声音信号和红外图像的特点,设计了一款基于多信息融合的带式输送机故障诊断系统,采用Lab VIEW软件接收和处理信息,利用Lab VIEW调用MATLAB编程软件的方式,实现多源故障信息的处理。以现场采集的带式输送机不同运行状态的声音信号和红外图像作为分析基础。由于采集到的声音信号中会含有大小不一的噪声,采用操作简单、效果理想的能熵比改进Boll谱减法对声音信号进行降噪处理。随后选择小波包分解算法对降噪后的声音信号进行能量谱分析,并以各子频带的能量作为检测特征向量。针对红外图像在成像和传输过程中会被噪声污染的问题,通过分析传统中值滤波和自适应中值滤波的不足之处,选择了一种改进均值的自适应滤波算法对红外图像进行降噪处理。其次对降噪后的红外图像进行目标分割,根据带式输送机红外图像的特点,提出了显着区域目标分割法与边缘检测算法相结合的目标分割算法,有效地将带式输送机的故障部位轮廓分割出来。为满足故障诊断系统对实时性要求,采用计算量少的Hu不变矩提取故障区域的形状特征,并以Hu矩构建的七个不变矩作为检测特征向量。采用VNWOA-BP神经网络与改进的D-S证据伦理相结合的方式构建带式输送机信息融合故障诊断模型。针对BP神经网络的局限性,提出冯诺依曼鲸鱼算法进行BP神经网络的优化,建立VNWOA-BP神经网络模型,对带式输送机进行故障诊断,通过分析实验结果,验证VNWOA-BP神经网络对故障诊断方式的有效性。针对传统D-S证据理论合成规则的不足之处,采用邓勇合成规则改进D-S证据理论,通过对VNWOA-BP神经网络的输出向量进行决策层融合实验。获得带式输送机故障诊断的最终结果。分析实验结果可知,多信息融合故障诊断模型可有效提高故障诊断的准确率,增强了故障诊断系统的可靠性。根据以上研究,对带式输送机故障诊断系统流程进行梳理,通过对带式输送机故障诊断实例的分析可知,多信息融合带式输送机故障诊断系统是有效可行的。
张少慧[8]（2021）在《基于SOPC的多种生物特征识别系统的研究》文中研究指明当今社会信息飞速发展,个人信息安全是信息时代备受关注的问题。身份信息识别技术作为可有效保护信息安全的手段一直是热点研究方向。基于生物特征的身份信息认证识别技术以其稳定性、可靠性及安全性等优点被广泛应用于各领域。但在实际应用中,单模态生物特征识别技术存在如特殊人群生物特征损坏或缺失,防伪性较差等固有缺陷。针对此问题,本文提出了基于SOPC的人脸、虹膜、指纹三种单模态生物特征融合识别方案,可有效弥补上述单特征识别技术的不足。本文具体工作如下:1.单模态生物特征识别的研究。在阅读大量文献后,本设计选择了具体使用的人脸、虹膜及指纹三种生物特征识别的相关算法,并对其进行验证。其中,本文针对虹膜定位算法做出了改进,通过对瞳孔中心位置进行估计,并在此基础上利用先验知识减小大量无用边缘点,实现快速虹膜定位。同时本文还对传统指纹特征提取算法做出了改进,在提取特征的同时去除伪特征点,提升指纹特征提取速度。2.人脸、虹膜、指纹融合识别的研究。本文选定在分数层融合三种生物特征,并根据实际需求设计了人脸+虹膜、人脸+指纹、虹膜+指纹三种融合方案。针对传统分数层加权融合算法计算量大、权值分配固定等缺点,本文提出了自适应加权融合算法。通过判断单生物特征识别系统的可靠性确定融合方案,再根据不同权值的融合系统的可靠性确定最终最佳融合权值,以得到性能最佳的融合系统。3.SOPC系统的开发。本文通过硬件描述语言对按系统需求添加的IP核进行连接,完成了系统的硬件开发,将PC端验证可行的算法采用C语言编写并在Nios II处理器上运行实现,完成了系统软件开发。最后将整个系统在DE2-115开发板得到了验证,初步实现了融合身份识别系统。
管晓伟[9]（2021）在《复杂交通场景下车道线检测算法研究》文中指出车道线检测是智能汽车环境感知的重要任务,能够为车辆提供可行驶区域信息。现阶段车道线检测算法存在场景适应性较差的问题,限制了车道偏离预警系统与车道保持辅助系统等ADAS功能的应用范围。因此,本文以提高复杂交通场景下车道线检测算法的适应性为目标开展研究,对于提升驾驶辅助系统的可靠性具有重要意义。首先完成车道线检测系统的搭建,通过分析不同车道线检测算法实现流程并对比其检测效果,总结影响算法在不同场景下表现的关键因素,然后对基于显性特征的车道线检测算法进行研究,探索并总结有助于提升算法检测能力的先验信息,最后将先验信息引入基于隐性特征的车道线检测网络中,增强神经网络对于车道线共性特征的学习能力,提升算法的场景适应性。在对基于显性特征的车道线检测算法研究中,本文首先利用相邻帧间关联实现动态感兴趣区域选取与自适应逆透视变换,提高算法在变化道路场景下获取的鸟瞰图质量,然后提出基于形状位置筛选的干扰信息滤除方法,去除鸟瞰图中形态与位置不符合车道线属性的信息,最后采用滑动窗搜索的方式统计车道线有效像素坐标并根据其分布情况自动选取拟合线型表达车道线检测结果。此外,还基于车道宽度信息实现了漏检车道线位置推理。测试结果表明,自适应逆透视变换、鸟瞰图有效信息筛选以及漏检车道线推理等先验信息的运用能够有效提升算法的检测能力。在对基于隐性特征的车道线检测网络改进中,本文首先明确采用基于候选行分类的算法基本流程,根据基于显性特征车道线检测算法研究过程中总结的有效先验信息,建立车道线连续性和车道宽度一致性先验模型,并以损失函数的形式作用于网络训练过程,然后提出基于特征图融合的图像预处理模块,以鸟瞰融合特征图作为网络输入,降低不同道路场景的差异性,削弱神经网络对于场景迁移的敏感程度,最后制作一定规模的鸟瞰特征图数据集对改进前后的算法进行训练和测试,以一定的评价指标对比其在检测性能、实时性、计算资源占用量三方面的性能。在基于鸟瞰特征图测试集的实验中,改进算法获得了与原算法相当的Io U与F1-measure指标值,而在测试集外的差异场景实验中,改进算法取得了明显优于原算法的检测效果,表明改进后算法具有更好的泛化性能。此外,算法能够以41fps的速度运行,满足实时性要求。
管文龙[10]（2021）在《高性能与轻量化的显着性检测算法研究》文中提出显着性检测任务的目标是利用计算机模拟人眼注意力机制,以检测图片中的显着性区域及物体。该技术在很多实际应用中发挥着重要的作用。近年来,基于深度学习的显着性检测算法在检测性能上取得了阶段性的进展,但是其仍存在着诸多亟待解决的难题。首先,如何提升显着目标的边界清晰度并有效抑制背景噪声是提升模型检测性能的关键问题。另外,现有方法大都为提升算法性能的研究,而忽视了对模型计算量、存储量开销的限制。因此,如何平衡模型的性能和开销同样是值得研究的问题。针对第一个问题,本文提出结合边缘信息的高性能显着性检测算法。首先,将预训练后的边缘检测模型的特征融入到显着性检测模型的解码器中,以丰富显着目标的边缘特征。之后,将边缘检测模型和显着性检测模型的低分辨率输出图同时输入超分辨优化网络,进而在提升输出分辨率的同时进一步优化检测结果。最后,本文从监督信息的角度出发,将多层监督机制和结合注意力机制的多尺度池化方法相结合,以丰富网络的全局上下文信息。针对第二个问题,本文提出基于轻量化模块及模型压缩技术的轻量显着性检测模型。本文首先设计了轻量基网络及解码器结构,在此基础上,本文提出两种模型压缩的方案。在第一种方案中,本文使用预训练的基网络进行模型稀疏化训练并进行模型剪枝操作。首先,针对稀疏训练过程中的模型退化问题,本文提出了动态下降的稀疏率设置。之后,在剪枝阶段提出了结合均值变点法的贪婪剪枝策略,能够在保证性能的同时通过渐进式剪枝达到人为设定的轻量化指标。在第二种方案中,本文首先在目标任务上使用随机初始化的模型进行稀疏化训练并剪枝,以获得更符合目标任务的最优轻量化模型。之后对参数进行重新初始化,并使用模型蒸馏的方法进行小网络的重训练。本文将上述两种方法在多个公开数据集上进行了测试,并与现有的先进算法进行了定量和定性的对比实验。大量的实验结果表明,本文算法取得了较好的结果。
二、图像边缘检测的融合方案初探（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、图像边缘检测的融合方案初探（论文提纲范文）
（1）面向建筑设施的履带式机器人自动化巡检关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 巡检技术是建筑设施建康状况有效监测的重要手段 |
| 1.1.2 建筑设施移动机器人自动化巡检技术成为研究热点 |
| 1.2 建筑设施机器人自动化巡检相关技术研究现状及其发展趋势 |
| 1.2.1 移动机器人及其应用的研究现状与发展趋势 |
| 1.2.2 建筑设施视觉检测技术的研究现状与发展趋势 |
| 1.2.3 建筑设施机器人自动化巡检所面临的挑战 |
| 1.3 研究内容和章节安排 |
| 第二章 建筑设施机器人自动化巡检技术基础及其系统总体方案 |
| 2.1 引言 |
| 2.2 建筑设施机器人自动化巡检技术基础 |
| 2.2.1 移动机器人相关基础 |
| 2.2.2 机器视觉相关基础 |
| 2.3 建筑设施机器人自动化巡检系统总体方案 |
| 2.3.1 巡检系统的技术方案 |
| 2.3.2 亟待解决的关键技术 |
| 2.4 本章小结 |
| 第三章 履带式机器人运动控制与定位导航技术 |
| 3.1 引言 |
| 3.2 履带式机器人的运动与爬梯控制 |
| 3.2.1 履带式机器人的运动控制 |
| 3.2.2 履带式机器人的爬梯控制 |
| 3.3 履带式机器人的自主定位与导航 |
| 3.3.1 基于多信息融合的导航地图构建 |
| 3.3.2 基于多信息融合的机器人自主定位与导航 |
| 3.4 本章小结 |
| 第四章 建筑设施结构与裂缝的机器视觉检测技术 |
| 4.1 引言 |
| 4.2 建筑设施结构的机器视觉检测 |
| 4.2.1 建筑设施结构的机器视觉成像 |
| 4.2.2 建筑设施结构视觉图像的重建 |
| 4.3 建筑设施裂缝的机器视觉检测 |
| 4.3.1 U-Net神经网络模型的改进 |
| 4.3.2 训练损失函数与参数的确定 |
| 4.4 本章小结 |
| 第五章 面向建筑设施的履带式机器人自动化巡检系统 |
| 5.1 引言 |
| 5.2 系统研发 |
| 5.2.1 硬件部分 |
| 5.2.2 软件部分 |
| 5.2.3 系统集成 |
| 5.3 实验研究 |
| 5.3.1 履带式机器人的楼梯爬行实验 |
| 5.3.2 履带式机器人的自主定位与导航实验 |
| 5.3.3 建筑设施结构与裂缝的机器视觉检测实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
（2）基于边缘感知的图像语义分割算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 研究现状 |
| 1.3 研究难点 |
| 1.4 本文研究内容和贡献 |
| 1.5 本文结构安排 |
| 第2章 相关工作概述 |
| 2.1 深度学习下的语义分割 |
| 2.1.1 卷积神经网络 |
| 2.1.2 语义分割基本原理和做法 |
| 2.1.3 空洞空间金字塔池化 |
| 2.2 边缘感知相关技术 |
| 2.2.1 边缘检测 |
| 2.2.2 辅助模式 |
| 2.3 多任务学习 |
| 2.4 本章小结 |
| 第3章 基于边缘感知的图像语义分割方法 |
| 3.1 引言 |
| 3.2 网络结构 |
| 3.2.1 特征提取结构 |
| 3.2.2 语义边缘预测结构 |
| 3.2.3 特征融合 |
| 3.2.4 SGF结构 |
| 3.3 损失函数 |
| 3.3.1 语义分割损失 |
| 3.3.2 边缘检测损失 |
| 3.4 本章小结 |
| 第4章 实验与分析 |
| 4.1 实验设置 |
| 4.1.1 实验环境 |
| 4.1.2 数据集 |
| 4.1.3 学习率和训练设置 |
| 4.1.4 评价指标 |
| 4.2 实验结果和分析 |
| 4.2.1 训练细节 |
| 4.2.2 消融实验 |
| 4.2.3 与现有工作的对比 |
| 4.3 网络效果可视化 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（3）复杂交通场景下轻量化视觉感知方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状分析 |
| 1.2.1 智能驾驶车辆发展现状 |
| 1.2.2 可行驶区域识别算法研究 |
| 1.2.3 场景语义分割算法研究 |
| 1.2.4 道路车辆检测算法研究 |
| 1.2.5 研究现状总结与难点分析 |
| 1.3 论文主要创新点 |
| 1.4 论文研究内容与框架 |
| 1.5 本章小结 |
| 2 交通场景环境感知相关工作概述 |
| 2.1 基于视觉的环境感知任务 |
| 2.2 深度学习原理 |
| 2.2.1 卷积神经网络 |
| 2.2.2 经典网络模型 |
| 2.2.3 网络学习框架 |
| 2.3 轻量化感知的图像处理方法 |
| 2.3.1 图像语义分割 |
| 2.3.2 目标检测任务 |
| 2.4 本章小结 |
| 3 轻量化的无监督可行驶区域识别方法研究 |
| 3.1 引言 |
| 3.2 多视觉的特征提取算法 |
| 3.2.1 超像素视觉特征 |
| 3.2.2 基于聚类的区域分割算法 |
| 3.3 基于多区域的轻量化道路识别模型 |
| 3.3.1 道路图像增强 |
| 3.3.2 基于多种子点的像素提取 |
| 3.3.3 构建道路分割模型 |
| 3.4 实验与性能分析 |
| 3.4.1 测试数据集与评价指标 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 4 轻量化的尺度感知语义分割方法研究 |
| 4.1 引言 |
| 4.2 基于级联感知的语义分割网络 |
| 4.2.1 基于信息感知的空洞卷积 |
| 4.2.2 基于上下文的金字塔池化 |
| 4.2.3 图像级联特征网络 |
| 4.3 基于双分支的轻量化语义分割模型 |
| 4.3.1 空间信息网络 |
| 4.3.2 加权损失函数 |
| 4.3.3 框架整体结构 |
| 4.4 实验与性能分析 |
| 4.4.1 测试数据集与评价指标 |
| 4.4.2 实验设置 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 5 轻量化的多视野车辆目标检测方法研究 |
| 5.1 引言 |
| 5.2 基于回归的目标检测算法 |
| 5.2.1 单阶段多框预测网络 |
| 5.2.2 候选区域生成 |
| 5.2.3 边框回归与损失函数 |
| 5.3 基于多模块的轻量化车辆检测模型 |
| 5.3.1 特征融合模块 |
| 5.3.2 多视野特征提取模块 |
| 5.3.3 框架整体结构 |
| 5.4 实验与性能分析 |
| 5.4.1 测试数据集与评价指标 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）复杂场景下视频目标跟踪算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究范畴 |
| 1.3 国内外研究现状 |
| 1.4 目标跟踪测试集及评价指标 |
| 1.5 目标跟踪面临的挑战 |
| 1.6 研究存在的问题 |
| 1.7 研究内容 |
| 1.8 本文结构 |
| 2 联合改进局部纹理特征和辅助重定位的生成式跟踪算法 |
| 2.1 研究动机 |
| 2.2 整体框架 |
| 2.3 联合改进局部纹理特征和辅助重定位的跟踪算法 |
| 2.4 实验结果分析及讨论 |
| 2.5 本章小结 |
| 3 基于动态空间正则化和目标显着性引导的相关滤波跟踪算法 |
| 3.1 研究动机 |
| 3.2 整体框架 |
| 3.3 空间正则化和目标显着性引导的相关滤波跟踪算法 |
| 3.4 实验结果分析及讨论 |
| 3.5 本章小结 |
| 4 基于多特征耦合和尺度自适应的相关滤波跟踪算法 |
| 4.1 研究动机 |
| 4.2 整体框架 |
| 4.3 多特征耦合和尺度自适应的相关滤波跟踪算法 |
| 4.4 实验结果分析及讨论 |
| 4.5 本章小结 |
| 5 基于分层深度特征的低秩相关滤波跟踪算法 |
| 5.1 研究动机 |
| 5.2 整体框架 |
| 5.3 分层深度特征和低秩相关滤波的跟踪模型 |
| 5.4 实验结果分析及讨论 |
| 5.5 各章算法的比较与分析 |
| 5.6 本章小结 |
| 6 结论 |
| 6.1 本文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）变电站继电保护室智能巡检图像预处理关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 智能巡检图像预处理技术研究现状 |
| 1.2.1 图像畸变矫正与图像拼接研究现状 |
| 1.2.2 视觉终端姿态调整研究现状 |
| 1.2.3 图像融合研究现状 |
| 1.2.4 智能识别算法研究现状 |
| 1.3 本论文主要研究内容与论文章节安排 |
| 1.4 本章小结 |
| 第二章 继电保护室内大视场畸变图像预处理技术 |
| 2.1 引言 |
| 2.2 继电保护室内视觉终端的成像模型 |
| 2.2.1 小孔成像模型 |
| 2.2.2 俯仰角度下的线性畸变模型 |
| 2.3 变电站控制柜图像的畸变校正 |
| 2.3.1 图像校正的目的 |
| 2.3.2 图像校正的实现 |
| 2.4 变电站控制柜图像的匹配与拼接技术 |
| 2.4.1 图像匹配 |
| 2.4.2 控制柜图像的拼接方法 |
| 2.4.3 实验结果与结论 |
| 2.5 本章小结 |
| 第三章 巡检视觉终端姿态自适应调整研究 |
| 3.1 引言 |
| 3.2 视觉终端姿态自适应调整总体方案设计 |
| 3.3 基于YOLOv2 网络的目标检测方法 |
| 3.3.1 YOLOv2 网络结构 |
| 3.3.2 预训练网络模型 |
| 3.3.3 目标检测流程 |
| 3.4 视觉终端姿态自适应调整实现 |
| 3.4.1 方位偏差计算方法 |
| 3.4.2 俯仰角与偏移角调整顺序方案 |
| 3.4.3 机电控制硬件实现 |
| 3.4.4 姿态自适应调整的软件实施 |
| 3.5 系统运行测试结果及分析 |
| 3.5.1 YOLO算法目标检测精确度与速度测试 |
| 3.5.2 摄像头角度自适应调整效果测试 |
| 3.6 本章小结 |
| 第四章 变电站玻璃柜门高光的检测与抑制 |
| 4.1 引言 |
| 4.2 基于阈值分割的高光区域检测 |
| 4.2.1 压板图像特征分析 |
| 4.2.2 基于阈值分割算法的柜门高光区域检测 |
| 4.3 基于ORB算法的图像配准 |
| 4.3.1 ORB算法特征点的检测 |
| 4.3.2 基于RANSAC算法的透视变换 |
| 4.3.3 基于图像融合抑制高光区域 |
| 4.4 本章小结 |
| 第五章 继电保护室智能巡检图像预处理应用测试 |
| 5.1 继电保护室智能巡检机器人平台 |
| 5.2 机器人视觉终端定位测试 |
| 5.3 智能巡检图像预处理应用测试 |
| 5.3.1 狭小空间巡检大视场无畸变成像测试 |
| 5.3.2 高光抑制效果测试 |
| 5.3.3 图像预处理后的目标识别测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
| 攻读学位期间专利情况 |
（6）基于机器视觉的磁体器件表面缺陷识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 常用的磁体器件检测方法 |
| 1.2.2 磁体缺陷检测技术国内外研究现状 |
| 1.2.3 机器视觉国内外研究现状 |
| 1.3 论文主要研究内容 |
| 2 基于机器视觉的磁体表面缺陷识别系统设计 |
| 2.1 磁体器件表面缺陷检测原理 |
| 2.2 磁体器件缺陷检测系统总体方案 |
| 2.3 系统硬件设计 |
| 2.3.1 工业相机选型 |
| 2.3.2 图像采集卡选型 |
| 2.4 照明方式设计 |
| 2.5 系统软件设计方案 |
| 2.5.1 系统软件平台 |
| 2.5.2 图像处理算法流程 |
| 2.6 本章小结 |
| 3 磁体缺陷图像预处理算法研究 |
| 3.1 预处理算法流程 |
| 3.2 滤波降噪算法 |
| 3.2.1 中值滤波 |
| 3.2.2 均值滤波 |
| 3.2.3 高斯滤波 |
| 3.2.4 双边滤波 |
| 3.2.5 滤波去噪算法对比 |
| 3.3 图像增强算法 |
| 3.4 伽马校正 |
| 3.5 ACE算法 |
| 3.6 图像边缘检测算法 |
| 3.7 图像形态学处理 |
| 3.7.1 腐蚀 |
| 3.7.2 膨胀 |
| 3.7.3 开运算 |
| 3.7.4 闭运算 |
| 3.7.5 形态学梯度 |
| 3.7.6 顶帽运算 |
| 3.7.7 黑帽运算 |
| 3.8 本章小结 |
| 4 磁体器件缺陷特征提取和分类 |
| 4.1 特征提取 |
| 4.1.1 图像查找轮廓与筛选轮廓算法 |
| 4.1.2 特征选择 |
| 4.2 分类识别 |
| 4.3 缺陷定位和标记 |
| 4.4 本章小结 |
| 5 磁体器件表面缺陷检测系统实验 |
| 5.1 实验平台搭建 |
| 5.2 系统标定 |
| 5.3 系统验证 |
| 5.4 磁体器件缺陷检测实验 |
| 5.5 上位机界面设计 |
| 5.6 本章小结 |
| 6 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（7）基于多信息融合的带式输送机故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 信息融合故障诊断技术国内外研究现状 |
| 1.3 本文主要内容 |
| 第2章 带式输送机故障诊断方案设计 |
| 2.1 带式输送机常见故障分析 |
| 2.2 系统总体框架设计 |
| 2.3 硬件装置选择 |
| 2.4 软件系统设计 |
| 2.5 本章小结 |
| 第3章 带输送机声音信号信息处理 |
| 3.1 基于改进的谱减法声音信号降噪处理 |
| 3.1.1 基本谱减法 |
| 3.1.2 Boll改进的谱减法 |
| 3.1.3 Boll谱减法的改进 |
| 3.1.4 实验的结果与分析 |
| 3.2 基于小波包分解的声音信号特征提取 |
| 3.2.1 小波包基本理论 |
| 3.2.2 故障特征提取中的小波基选择 |
| 3.2.3 小波包分解流程 |
| 3.2.4 实验结果与分析 |
| 3.3 本章小结 |
| 第4章 带式输送机红外图像信息处理 |
| 4.1 红外图像降噪 |
| 4.1.1 红外图像特点及噪声分析 |
| 4.1.2 中值滤波 |
| 4.1.3 自适应中值滤波 |
| 4.1.4 改进均值的自适应中值滤波算法 |
| 4.1.5 实验结果与分析 |
| 4.2 红外图像分割 |
| 4.2.1 区域显着目标分割 |
| 4.2.2 边缘检测 |
| 4.2.3 实验结果与分析 |
| 4.3 基于Hu矩的图像形状特征提取 |
| 4.3.1 矩的定义 |
| 4.3.2 矩的物理意义 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 基于BP神经网络的带式输送机故障诊断研究 |
| 5.1 BP神经网络 |
| 5.1.1 BP神经网络算法介绍 |
| 5.1.2 BP神经网络的算法流程 |
| 5.1.3 BP神经网络的局限性 |
| 5.2 基于改进的鲸鱼算法优化BP神经网络 |
| 5.2.1 标准鲸鱼算法 |
| 5.2.2 冯诺依曼鲸鱼算法 |
| 5.2.3 VNWOA性能评估 |
| 5.2.4 基于VNWOA优化的BP神经网络 |
| 5.3 BP神经网络故障诊断实验 |
| 5.3.1 BP神经网络模型的建立 |
| 5.3.2 声音信号故障诊断实验 |
| 5.3.3 红外图像故障诊断实验 |
| 5.4 本章小结 |
| 第6章 基于信息融合的带式输送机故障诊断研究 |
| 6.1 D-S证据理论 |
| 6.1.1 D-S证据理论基本概念 |
| 6.1.2 D-S证据理论决策规则 |
| 6.2 D-S证据理论问题与改进 |
| 6.3 信息融合故障诊断实验 |
| 6.3.1 基本概率赋值 |
| 6.3.2 实验结果与分析 |
| 6.4 带式输送机故障诊断实例 |
| 6.4.1 故障诊断系统流程 |
| 6.4.2 故障等级划分 |
| 6.4.3 故障诊断实验结果与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 在读期间发表的学术论文及研究成果 |
| 致谢 |
（8）基于SOPC的多种生物特征识别系统的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 生物特征识别技术研究现状 |
| 1.2.1 人脸识别技术研究现状 |
| 1.2.2 虹膜识别技术研究现状 |
| 1.2.3 指纹识别技术研究现状 |
| 1.2.4 多模态生物特征识别技术研究现状 |
| 1.3 主要研究内容及章节安排 |
| 1.4 本章小结 |
| 第二章 单模态生物特征识别的实现 |
| 2.1 人脸识别 |
| 2.1.1 人脸数据库 |
| 2.1.2 人脸预处理 |
| 2.1.2.1 图像灰度化 |
| 2.1.2.2 直方图均衡化 |
| 2.1.3 K-L正交变换 |
| 2.1.4 基于PCA的人脸识别 |
| 2.2 虹膜识别 |
| 2.2.1 虹膜数据库 |
| 2.2.2 虹膜预处理 |
| 2.2.2.1 虹膜定位 |
| 2.2.2.2 虹膜归一化及增强 |
| 2.2.3 虹膜特征提取及编码 |
| 2.2.4 虹膜特征匹配 |
| 2.3 指纹识别 |
| 2.3.1 指纹数据库 |
| 2.3.2 指纹预处理 |
| 2.3.2.1 图像归一化 |
| 2.3.2.2 图像增强 |
| 2.3.2.3 基于梯度场的图像分割 |
| 2.3.2.4 指纹图像二值化 |
| 2.3.2.5 二值化图像去噪 |
| 2.3.2.6 指纹图像细化 |
| 2.3.3 指纹特征提取 |
| 2.3.4 指纹特征匹配 |
| 2.4 本章小结 |
| 第三章 人脸虹膜指纹融合识别技术 |
| 3.1 融合策略 |
| 3.2 匹配分数归一化 |
| 3.3 分数层融合算法 |
| 3.3.1 传统分数层融合算法 |
| 3.3.2 改进的分数层融合算法 |
| 3.4 实验分析 |
| 3.4.1 基于单模态生物特征识别的实验分析 |
| 3.4.2 基于多特征融合识别系统的实验分析 |
| 3.5 本章小结 |
| 第四章 基于SOPC的多生物特征融合系统 |
| 4.1 FPGA及 SOPC技术相关概述 |
| 4.1.1 现场可编程门阵列FPGA |
| 4.1.2 可编程片上系统SOPC |
| 4.1.3 Nios II处理器 |
| 4.2 融合系统的硬件平台及开发环境 |
| 4.2.1 DE2-115 开发板 |
| 4.2.2 系统开发环境 |
| 4.3 融合系统需求分析及总体设计 |
| 4.3.1 系统需求分析 |
| 4.3.2 系统总体设计 |
| 4.4 硬件系统搭建 |
| 4.5 系统软件设计 |
| 4.6 系统测试 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（9）复杂交通场景下车道线检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于显性特征的车道线检测 |
| 1.2.2 基于隐性特征的车道线检测 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构安排 |
| 2 车道线检测系统构建及算法分析 |
| 2.1 车道线检测数据集及实验装置 |
| 2.1.1 开源数据集 |
| 2.1.2 实车采集测试系统 |
| 2.2 基于显性特征的车道线检测算法 |
| 2.2.1 图像预处理方法 |
| 2.2.2 基于霍夫变换的车道线检测 |
| 2.2.3 基于鸟瞰图多项式拟合的车道线检测 |
| 2.3 基于隐性特征的车道线检测算法 |
| 2.3.1 神经网络检测车道线相关技术 |
| 2.3.2 基于实例分割的车道线检测 |
| 2.3.3 基于候选行分类的车道线检测 |
| 2.4 车道线检测算法关键问题分析 |
| 2.5 本章小结 |
| 3 基于显性特征的车道线检测算法场景适应性研究 |
| 3.1 基于动态感兴趣区域选取的逆透视变换 |
| 3.1.1 动态感兴趣区域选取 |
| 3.1.2 自适应逆透视变换 |
| 3.2 基于鸟瞰图形状位置筛选的干扰信息滤除 |
| 3.2.1 干扰信息类型及特点分析 |
| 3.2.2 基于形状约束的干扰滤除 |
| 3.2.3 基于位置约束的干扰滤除 |
| 3.2.4 干扰信息滤除结果分析 |
| 3.3 车道线信息搜索及多项式拟合 |
| 3.3.1 基于滑动窗生长的车道线信息搜索 |
| 3.3.2 基于多项式拟合的车道线表达 |
| 3.3.3 基于车道结构信息的漏检车道线推理 |
| 3.4 本章小结 |
| 4 引入结构先验信息与融合特征图的车道线检测 |
| 4.1 引入融合特征图的车道线检测网络结构 |
| 4.2 基于车道结构信息的先验模型建立 |
| 4.2.1 车道线分布结构特点分析 |
| 4.2.2 车道线连续性先验模型 |
| 4.2.3 车道宽度一致性先验模型 |
| 4.3 基于特征图融合的图像预处理 |
| 4.3.1 多特征图融合模块 |
| 4.3.2 鸟瞰特征图数据集制作 |
| 4.4 车道线检测网络训练及结果分析 |
| 4.4.1 神经网络损失函数建立 |
| 4.4.2 神经网络训练 |
| 4.4.3 算法检测结果分析 |
| 4.5 本章小结 |
| 5 算法测试与验证 |
| 5.1 车道线检测算法评价指标 |
| 5.1.1 检测性能指标 |
| 5.1.2 实时性指标 |
| 5.1.3 计算资源占用量 |
| 5.2 车道线检测算法测试 |
| 5.2.1 检测性能测试 |
| 5.2.2 泛化性能测试 |
| 5.2.3 实时性测试 |
| 5.2.4 计算资源占用量测试 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 附录 A TuSimple数据集标注样例 |
| 致谢 |
（10）高性能与轻量化的显着性检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统显着性检测算法 |
| 1.2.2 基于深度学习的显着性检测算法 |
| 1.3 本文内容及组织结构 |
| 2 相关理论及算法 |
| 2.1 卷积神经网络 |
| 2.1.1 基本组成部分 |
| 2.1.2 经典模型工作 |
| 2.2 全卷积神经网络 |
| 2.3 边缘增强的显着性检测算法 |
| 2.4 模型压缩技术 |
| 2.4.1 轻量化结构设计 |
| 2.4.2 模型剪枝 |
| 2.4.3 知识蒸馏 |
| 3 结合边缘信息的高性能显着性检测算法 |
| 3.1 研究动机及算法概述 |
| 3.2 特征提取网络 |
| 3.3 边缘感知模块 |
| 3.3.1 结合边缘特征的解码模块 |
| 3.3.2 结合边缘图的超分辨优化网络 |
| 3.4 结合注意力机制的多尺度监督模块 |
| 3.4.1 多层残差监督结构 |
| 3.4.2 结合通道注意力机制的多尺度池化 |
| 3.5 实验结果与分析 |
| 3.5.1 数据库介绍 |
| 3.5.2 实验环境与参数设置 |
| 3.5.3 评价指标 |
| 3.5.4 子模块性能分析 |
| 3.5.5 与经典算法的比较 |
| 4 轻量化显着性检测算法 |
| 4.1 研究动机及算法概述 |
| 4.2 轻量化模型结构设计 |
| 4.2.1 轻量卷积基网络 |
| 4.2.2 深度分离卷积解码结构 |
| 4.3 基于预训练基网络的模型剪枝 |
| 4.3.1 流程框架 |
| 4.3.2 轻量化模型结构的剪枝方案 |
| 4.3.3 优化的稀疏训练因子 |
| 4.3.4 结合均值变点法的贪婪剪枝策略 |
| 4.4 模型最优通道数搜索与蒸馏 |
| 4.4.1 流程框架 |
| 4.4.2 基于通道剪枝的模型蒸馏 |
| 4.5 实验结果与分析 |
| 4.5.1 数据库及评价指标介绍 |
| 4.5.2 实验环境与参数设置 |
| 4.5.3 子模块性能分析 |
| 4.5.4 与经典算法的比较 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
四、图像边缘检测的融合方案初探（论文参考文献）
- [1]面向建筑设施的履带式机器人自动化巡检关键技术研究[D]. 陈晴. 浙江大学, 2021(02)
- [2]基于边缘感知的图像语义分割算法的研究[D]. 臧颖. 浙江大学, 2021(02)
- [3]复杂交通场景下轻量化视觉感知方法研究[D]. 刘步实. 北京交通大学, 2021(02)
- [4]复杂场景下视频目标跟踪算法研究[D]. 孙金萍. 中国矿业大学, 2021(02)
- [5]变电站继电保护室智能巡检图像预处理关键技术研究[D]. 杜珂. 广西大学, 2021(12)
- [6]基于机器视觉的磁体器件表面缺陷识别方法研究[D]. 马丽娜. 西安理工大学, 2021(01)
- [7]基于多信息融合的带式输送机故障诊断研究[D]. 王金凤. 曲阜师范大学, 2021(02)
- [8]基于SOPC的多种生物特征识别系统的研究[D]. 张少慧. 内蒙古大学, 2021(12)
- [9]复杂交通场景下车道线检测算法研究[D]. 管晓伟. 大连理工大学, 2021(01)
- [10]高性能与轻量化的显着性检测算法研究[D]. 管文龙. 大连理工大学, 2021(01)