一、基于红外图像的道路识别算法研究（论文文献综述）
杜越[1]（2021）在《移动机器人智能监控与应急救援关键技术研究》文中进行了进一步梳理视频监控是安防及应急救援的重要组成部分,因其呈现方式直观、传递信息多元而广泛应用于各类场景之中。传统方法的视频监控主要存在三大问题,其一是缺少视频智能分析,在监控过程中需要依靠人工同时对多个摄像头所拍摄的监控画面进行较长时间的观察,而且仅能对监控内容给出主观的判断,使得工作效率较低。其二是缺乏灵活监控,大多数的摄像头采用固定安装的方式,易存在监控盲区,同时极易受限于光照的变化,在更为重要的低照度或黑暗场景下不具备良好的监控能力,且若大量布置或是升级硬件会使成本较高。其三是视频监控与应急救援无法快速响应并进行高效的联动作业。针对以上问题,本文主要研究工作有以下三点:针对现有视频监控易受限于真实环境中的光照变化的问题,重点研究了低照度情况下的视频监控区域入侵检测。设计了视频监控画面的亮度评估及低照度情况下的图像亮度增强方法,解决了在低照度情况下图像过暗、目标不清的问题,优化了在低照度情况下的前景分割算法,有效消减阴影的干扰,提高对入侵目标轮廓提取的准确性。同时提出了全画面及区域划定两种区域入侵方法,在利用几何关系判定的基础上引入评估入侵程度的参数,提高判定效率与准确率,结合方向梯度直方图特征提取方法,实现准确高效的入侵目标检测。针对固定摄像头监控画面覆盖不全,易存在监控盲区且大量布置会导致成本较高的问题,本文基于移动机器人平台设计了远程控制精准巡逻的探测方法。运用基于激光雷达的地图构建及路径规划算法,实现了远程控制地面移动机器人精准巡逻快速联动。同时利用深度学习实现了黑暗环境下红外视频图像的行人检测,弥补监控视角盲区。为实现视频监控与应急救援间的快速联动,本文基于浏览器和服务器架构设计了智能视频监控与应急救援软件平台,实现了事故报警、应急救援联动以及事故信息整合等功能。构建了快速响应的视频监控与应急救援联动机制,在提升监控效率的同时提高事故处理的灵活性。
张子睿[2]（2021）在《面向汽车辅助驾驶的红外及可见光融合目标识别技术研究》文中研究指明近年来,随着国民收入的不断提高,人们愈发倾向于购买汽车满足自己的出行需求,也正因如此,交通事故也频频发生。通过分析有关部门的统计发现,交通事故发生的原因主要有两点:一是光照不足或视线受遮挡,如夜间行车、雨雪天行车等,二是驾驶员疲劳驾驶。在这些情况下,驾驶员无法及时根据前方道路环境做出正确的操作。为了减少交通事故的发生概率,越来越多的汽车制造商和研究机构将精力集中在汽车辅助驾驶技术的研究上。汽车辅助驾驶技术可以有效的减少交通事故发生的概率。通过分析发现,当前大多数汽车辅助驾驶技术主要基于可见光设备,在晴朗的白天效果较好,在夜晚或其他光照条件不良的情况下,效果不佳,无法实现全天候的辅助驾驶。但基于红外的成像设备的出现,补足了可见光设备的短板,使得全天候的汽车辅助驾驶成为了可能。本文基于红外图像与可见光图像的融合,对传统目标识别技术中各阶段的算法做了研究和改进,提高了汽车辅助驾驶系统对于行人和车辆识别的准确性和对于复杂场景的适应性。在图像预处理阶段,本文首先对红外图像和可见光图像的成像原理和特性进行了研究。根据二者的联系与区别,在图像去噪阶段,针对中值滤波算法进行了改进,在图像增强阶段,针对直方图均衡化算法进行了改进。在图像融合阶段,针对NSCT变换融合算法中的低频子带融合策略进行了改进。在目标检测阶段,针对传统目标检测算法的问题,提出了一种结合形态学、小波变换两种目标检测算法优点的改进算法。在目标定位阶段,选用基于物体重心的目标定位算法来实现本文对于汽车辅助驾驶系统中对于目标准确定位的需求。在提取目标特征阶段,研究了Haarlike特征,LBP特征和HOG特征,并在此基础上提出了一种改进的HOG-LBP特征。在目标识别阶段,研究了SVM分类器和Ada Boost分类器,实现了将SVM分类器作为Ada Boost分类器的弱分类器,使得Ada Boost分类器具备了对于高维特征的处理。通过实验证明,本文提出的改进算法能够有效实现对于融合视频中出现的行人,车辆的识别。
孟志敏[3]（2021）在《红外与可见光图像融合的目标识别方法研究》文中研究说明面对复杂战场环境下的战略侦查,目标识别,精准制导等军事行动,可见光与红外图像融合识别技术在理论和现实方面有迫切需求。当前目标识别方法大多基于单一传感器进行研究,而且识别算法结构的复杂,难以部署在嵌入式系统中。本文针对坦克目标识别的关键问题,提出红外与可见光图像融合的目标识别算法,通过不同算法对比并进行算法仿真验证。基于Xilinx Zynq平台对所提算法进行移植以及硬件优化加速并搭建嵌入式红外与可见光图像融合的目标识别系统。主要研究内容包括图像数据采集,异源图像配准及融合算法和图像的识别算法在嵌入式系统中实现。如下所述:基于红外与可见光成像的特点,对图像预处理方法进行分析研究,对红外与可见光图像采取灰度处理、中值滤波、均值滤波、直方图均衡化以及图像的锐化增强处理。为图像配准融合提供有效的特征并通过实验验证预处理算法的可行性。针对坦克目标特点,对比Hu不变矩、SURF特征描述以及形状上下文特征匹配的正确率,选取适合坦克目标异源图像配准方法,对配准后的图像进行小波变换图像融合。利用融合规则对图像中相应的高频分量以及低频分量进行融合并通过主观视觉与客观指标对融合算法进行评价。提高目标识别特征选取的可靠性。基于坦克目标识别算法的分析研究,对比坦克的局部二元模式特征、SIFT特征描述、梯度方向直方图特征。结合算法处理实时性及FPGA计算特性,采用HOG特征描述作为识别判断的特征依据,通过训练SVM分类器实现目标的分类识别。嵌入式图像融合的目标识别系统搭建,在FPGA上部署定制算法IP核模块实现硬件加速设计,ARM上实现硬件驱动程序的设计以及模块时序控制和构建SVM分类器模型。通过Peta Linux工具在开发环境中移植Linux系统以及Open CV库函数和Qt库函数,实现高效的图像处理。实验结果验证了算法的有效性。
仝矿伟[4]（2020）在《矿用空压机工作状态红外识别关键技术研究》文中指出矿用空压机作为煤矿生产的重要动力源和安全保障设备,在煤炭安全高效生产中占有举足轻重的地位。矿用空压机的智能化水平制约着矿井压风系统的工作可靠性,而矿用空压机工作状态准确快速识别是实现其智能控制的前提。目前矿用空压机主要由人工定时巡检实现工作状态监测,并依靠操作工人的经验进行工作状态识别和故障诊断。因此,有必要对矿用空压机工作状态识别的关键技术进行研究,进而提高空压机的智能化水平。矿用空压机所处工况具有温度高、噪声强、振动剧烈的特征,红外热成像检测技术具有非接触、穿透性强及不受外部噪声及光照条件影响的特点。通过矿用空压机辐射的红外信号,可以实现对关键部件的状态识别。本课题以矿用空压机工作状态红外识别为研究目标,利用红外热成像检测技术获取空压机关键部件的工作状态图像,对原始红外图像中复杂背景噪声在线去除、超高维图像特征快速降维以及基于机器学习的空压机工作状态准确识别等方法和技术进行了深入研究。主要研究内容如下:（1）分析了矿用空压机的基本结构,并结合生产实际,详细研究了螺杆式空压机吸气、封闭、压缩和排气的工作原理,基于矿用空压机状态识别系统的功能需求,搭建了矿用空压机状态识别的总体框架,分析了其主要组成和识别流程。（2）设计了基于优化小波阈值的红外图像去噪算法,消除原始红外图像中包含的高斯噪声和冲击噪声,利用改进的果蝇算法获取各阶小波去噪阈值,并针对标准果蝇算法容易陷入局部最优的问题,引入动态步长分布算子增强全局和局部寻优能力。（3）研究了超高维数据的低维表征方法,提出了基于流形学习的非线性降维方法对红外图像进行降维,设计了矿用空压机状态识别评价系统,引入堵塞率ρ和堵塞程度判别因子Φ、温度偏离因子γ和空压机健康状态评价因子H对矿用空压机工作状态进行详细划分。（4）提出了基于优化支持向量机的矿用空压机运行状态识别算法,利用改进的蝙蝠优化算法对非线性支持向量机关键参数进行优化,并在基本蝙蝠算法的基础上,引入精英族群和探索族群增强蝙蝠算法的全局寻优能力,实现了矿用空压机工作状态的准确识别。设计并搭建了矿用空压机工作状态识别系统,在实验室和龙王庄煤业股份有限公司分别进行了实验。实验结果表明:该系统可以对矿用空压机红外图像进行有效处理,能够准确识别空压机关键部件的工作状态,为进一步提高空压机的智能化水平奠定了基础。该论文有图50幅,表18个,参考文献146篇。
王周春[5]（2020）在《基于机器学习的目标探测与识别技术研究》文中进行了进一步梳理在计算机视觉、图像处理、模式识别、机器学习研究领域中,目标探测（亦称检测,后面统一称检测）与目标识别一直是永恒的热门课题,红外成像以及处理技术由于得天独厚的优势,在智能交通、安防监控、工业生产检测、军事目标识别等有广泛运用。在科学研究旅程中,人类一直在思考,机器是否可以像人类一样具有思考能力以及智能解决疑难问题,经过多年的持续研究,机器学习算法取得很大发展,特别是红外技术领域中的目标检测与识别研究工作取得不少成果,但是仍然存在很多需要解决的关键科学技术问题,目标所处环境复杂多变,目前还没有一种比较通用成熟的检测与识别算法,因此,在实际应用中,算法研究的机遇与挑战并存。本文针对红外技术应用领域的目标检测和识别三个方面分别进行研究,取得的主要创新性结果如下:1.基于对比度的红外点目标检测与识别技术研究:当目标本身形体很小,或者是目标和红外成像系统之间距离非常远,目标成像面积很小,在视场中表现为孤点或者斑点,红外点目标检测与识别技术难度较大。本文采用一种以局部对比测度（LCM）方法为基础的MLCM算法,结合SSDA模板匹配算法、数学形态学运算、基于块的多尺寸对比测度（MPCM）算法,解决视场中表现为孤点或者斑点目标的难题,对红外点目标进行检测识别,算法工作性能良好,适合多种运用场景。2.基于支持向量机的红外面目标分类识别技术研究:面目标的成像面积比点目标大,在红外成像系统中,相同一个人穿着不同的服饰,成像特点不一样,不同的行人成像特点也不同等。本文采用一种以SVM+HOG为基础的分类模型,通过加入GLCM算法提取目标纹理特征,对红外面目标进行分类识别,解决穿着不同服饰的红外面目标分类识别问题。结果显示,在自己采集的长波红外面目标场景中,提出的SVM+HOG+GLCM算法模型对面目标的分类识别的正确率较高,达到90.5%,可以满足一定应用需求。3.基于卷积神经网络的红外空中动目标和地上行人检测研究:针对红外空中动目标检测和地上行人检测,采用两种思路进行解决;对于红外高空动目标,先使用传统的基于阈值分割的帧间差分检测算法,然后使用Faster R-CNN算法对其进行检测,最后将两种类型算法的检测结果进行比较,分析它们的优点与缺点;对于红外地上行人目标,同样也先使用传统的级联检测器对目标进行检测,然后使用Faster R-CNN算法对其进行检测,最后比较两种算法的检测效果;比较两种目标场景的检测结果,卷积神经网络算法的检测效果更加优异。总之,本文主要针对红外技术应用领域的目标检测和识别三个方面进行研究,同时也研究传统的目标检测算法,对两种类型算法的检测结果进行比较,研究算法间的优点与不足,取得一定的研究成果,但仍然存在一些问题,特别是机器学习算法是近年来国际兴起的新型研究领域,需要在往后的研究工作中进一步深入。本文的研究结果将对红外技术领域中的目标检测与识别应用起到一定的促进作用。
宋永超[6]（2020）在《异源视觉道路行车场景的交通对象分类检测算法研究》文中研究指明随着自动驾驶和高级辅助驾驶技术的快速发展,视觉环境下道路行车场景的交通对象检测不可或缺,对提高智能交通的智能化、安全性水平,实现安全、可靠、舒适的出行任务尤为重要。广泛且充分的感知车辆周围环境信息,获得道路交通对象的检测信息,提高道路出行安全,减少交通安全事故是当前智能交通领域研究的重要内容,并已成为这一领域学者研究和关注的热点。本文在充分调研国内外研究现状的基础上,围绕道路车辆环境感知需求,针对道路行车场景中交通对象检测存在的诸多问题,重点研究了不同视觉源下道路交通三要素（道路、车辆、行人）的分类检测方法。论文的主要研究工作及成果如下:针对大多数道路检测方法对光照变化、阴影敏感,而传统光照不变道路检测方法存在相机轴标定角度难以确定、道路样本采样失真等多重问题,提出了一种基于学习光照无关图的带阴影道路在线检测算法。首先,手工标定出道路图像序列的道路块和非道路块,利用多特征融合方法训练生成道路块SVM分类器;然后,将组合道路块RGB空间转换为几何均值对数色度空间,并根据Shannon熵确定每帧图像相机轴的标定角,以获取各自帧的光照无关图;最后,通过车前安全距离区域随机采样方法提取道路样本点,建立道路置信区间分类器,将道路从背景中分离出来。使用多个视频序列评估算法的有效性,实验结果表明,此方法可以得到高质量的道路检测结果,实现检测过程的实时性。针对现实交通环境中双目视差图匹配误差大、计算复杂度高,以及车辆等交通对象检测缺少必要的深度信息等问题,提出了一种基于单目深度估计和精细化U-V视图的路上车辆检测算法。使用加入边缘增强损失函数的单目深度估计模型得到原始视差图,并通过原始视差图的水平和垂直投影来定义初始的U和V视图;提出精细化U、V视图的道路感兴趣区域检测算法获得路上车辆感兴趣区域;提出道路区域平行扫描算法确定路上车辆或行人源点,使用邻间视差相似性算法对目标区域进行补全和提取,结合长宽比、透视比和面积比等多特征融合方法对提取的目标区域精确分割,获得路上车辆检测结果。实验结果表明,此方法实现了同一检测框架下路上车辆或行人的分类检测,满足路上车辆检测的时间有效性。针对可见光图像在夜间交通对象检测尤其是行人检测中失效以及现存的夜间行人检测方法准确率和实时性矛盾的问题,提出了一种基于快速显着性和多特征融合的夜间行人检测算法。使用一种红外图像行人目标显着性模型,实现夜间行人目标区域的快速获取;提出目标区域细化分离方法,去除感兴趣区域中可能存在的非行人区域粘连干扰,获得夜间行人候选边界框;使用多特征融合的夜间行人特征提取方法,结合SVM分类算法,实现对夜间行人的分类,并使用多个视频序列评估夜间行人分类检测算法的有效性。实验结果表明,此方法可以获得高质量的夜间行人的分类检测结果,满足道路场景的实时性要求。本文的研究工作可以实现异源视觉下道路行车场景中道路、车辆和行人等交通对象的分类检测,提供了一种道路行车场景的交通环境感知新模式,对助力提高道路交通车辆的行车安全具有一定意义,为构建基于视觉信息的道路环境感知系统提供了一种有效方法。
赵梦[7]（2020）在《基于红外图像的电力设备故障分析研究》文中研究说明随着我国综合国力的大幅提升,对于电力的依赖与日俱增,电力行业的角色愈发重要,其中电力设备是否能够安全、可靠、长久、稳定作业,是整个电力系统的关键所在。因此,为保障电力设备运行的安全性与可靠性,对电力设备进行有效的监控,观测、记录电力设备温度的变化,并实时、自动分析电力设备有无故障、故障程度、故障位置以及故障预测等已经成为研究的热点。本文依赖红外热成像技术,在红外图像的基础上设计了两种基于深度学习的电力设备故障检测与分析方法,具体如下:提出一种基于卷积神经网络的电力设备红外图像故障分析方法。首先,对于电力设备红外图像采用图像预处理进行滤波平滑,减少干扰,为后续进行图像分割、故障定位奠定基础。本文针对图像噪声特点,采用一种均值滤波与中值滤波相结合的方法,能够有效抑制高斯噪声和椒盐噪声的影响。其次,设计电力设备红外图像故障分类卷积神经网络模型,实验证明该网络具有极高的识别能力,适合实际生产工作。最后,针对故障电力设备进行故障分析并开展健康管理研究,故障分析包括故障定位和故障等级判断,故障区域定位依赖于图像分割技术,本文提出基于像素聚类的SLIC（simple linear iterative clustering）与全局阈值相结合的算法,结果表明此方法不仅分割效果良好,而且更具标签功能,从而实现真正意义上的区域定位,以方便后续温度提取操作,然后再结合具有一定适用性的相对温差判据实现故障等级判断;围绕健康管理的思想,引入红外图像序列的时空特性,采用拟合的方式,预测设备状态趋势曲线,并设计显示界面,完成对故障电力设备的集中显示、分类存储、统一管理,为日后的研究奠定基础,从而可以提高电力设备红外图像方面的诊断效率与准确率。提出基于SSDMobilenet网络的电力设备红外图像故障分析方法,该方法是在计算机视觉与深度学习以及目标检测技术飞速发展的历程下,对电力设备红外图像故障目标检测的尝试。本文基于现有有限数据,仅进行可行性实验,同时给出了整个分析流程:基于方法一中分类存储的基础,获取足够样本数据集后,采用SSDMobilenet目标检测网络进行处理,便可直接获得电力设备的故障部位及缺陷等级,最终再进行包括趋势预测、集中显示等健康管理,以实现更高程度的自动化检测,进一步简化检测步骤,提高生产工作中的检测效率。
金璐[8]（2020）在《少样本条件下的红外空中目标识别与检测技术研究》文中研究表明红外成像具备探测距离远、隐蔽性高、可穿透烟雾以及全天候工作等优势,在光电探测领域受到了广泛的重视、研究和应用。在红外探测系统中,目标识别与检测能够为图像中的潜在目标提供类别判断和坐标定位,是后续跟踪任务的基础,也是后续决策系统的有力支撑。近年来,随着计算能力和大数据的推进,深度学习模型已经在计算机视觉领域取得了异常瞩目的进展,在很多大型数据集上,一些算法的认知水平甚至超过了人类的分辨能力。然而,这些算法之所以性能强大,很大程度上依赖于训练数据的充分程度。在红外空中目标的识别问题上,获取样本数据的代价十分昂贵,某些少见机型的数据样本甚至仅有个位数,很难建立充分的样本库来对各种型号的飞机红外数据进行分析。本文围绕少量样本场景下的红外空中目标识别问题,结合图像处理、模式识别、稀疏表示、深度学习等领域进行了深入研究,主要工作与创新点如下。（1）提出了一种基于稀疏表示的红外条状噪声校正方法。首先利用K-SVD字典学习算法对无噪声干扰的红外图像进行训练,提高字典对红外图像的表达能力;然后利用OMP算法对噪声图像进行稀疏求解和图像重建;随后利用重建图像与噪声图像,根据最小二乘法逐行求取校正系数;最后利用校正系数和噪声图像输出校正图像。实验结果表明,该方法对条状噪声的校正效果比较稳定,不受场景约束,且对稀疏求解的误差容忍度较高。（2）提出了一种基于判别稀疏表示的红外空中目标识别模型。首先提出了具有旋转不变性的方向梯度直方图特征,然后将训练样本的该特征作为原子组成初始字典,利用FDDL字典学习算法对字典进行优化,同时提高字典的编码能力和判别能力。随后提取测试样本的特征向量作为原始信号,利用同伦算法求解稀疏表示系数,最后根据各类别的重构残差输出红外空中目标的预测标签。该方法理论基础充分,实验结果表明,该方法拥有较强的旋转不变性、判别能力以及抗噪性能。（3）针对某些少见机型样本稀少的问题,提出了一种改进关系网络的少样本红外空中目标分类方法。该方法将关系网络模型与多尺度特征融合方法以及元学习的训练策略相结合,首先构造多尺度特征提取模块提取支撑样本和查询样本的特征信息,然后把查询样本和支撑样本的图像特征连接起来输入关系模块,根据查询样本和各类支撑样本之间的关系值作为类别判断依据。在训练方式上,采用元学习的训练策略。实验结果表明,本文提出的方法能够在少量样本的情况下,实现多种机型的红外空中目标的识别任务。（4）针对红外空中目标尺寸偏小、分布稀疏的特性,提出了一种增强小尺寸目标关注的少样本红外空中目标检测方法。该方法对特征权重调整模型加以改进,在特征提取模块,通过深浅层特征图融合的方式增强特征提取模块输出的特征图表达能力;在权重调整模块,使用热力图取代二值图像作为标注信息的输入形式,增强红外目标与背景之间的关联,使模型能够关注到较小尺寸目标。在训练方式上,采用基础训练与少样本元任务微调相结合的方式。实验结果表明,该方法能够在少量标注样本的情况下,实现红外空中目标的检测任务。
金展翌[9]（2020）在《基于红外摄像头的手势识别》文中提出随着物质生活的不断丰富,人们开始探索贴合人类使用习惯的人机交互技术,其中基于视觉的手势识别技术为机器理解手势提供了必要的辅助。基于图像的手势识别无需佩戴其它额外的硬件设备,与传统的输入方式相比,无需人机接触,且易于操作,在手语识别、辅助驾驶、设备控制、智能家居等交互领域具有广泛的应用。然而,目前大部分的研究仅限于光照充足的环境下,对于全天候执行的任务,特别是军事、安防领域等需要夜间执行的工作,普通彩色摄像头无法胜任,很大程度上阻碍了手势识别的实用化进程。基于以上研究现状,提出将手势识别技术与红外夜视技术相结合的研究,围绕红外图像的特点,实现夜间环境下的多种手势识别,具体的工作如下:采用近距离微弱红外辅助照明获取红外图像,针对夜间拍摄噪声干扰严重,画质较差的问题,分析噪声产生的原因,通过非均匀性观察实验分析红外噪声的特点。针对噪声所呈现的条纹特征,提出基于卡尔曼滤波的校正方法,该方法不仅去除了大幅噪声波动,还对细节特征有较完整的保留,对提高红外图像的质量有实际意义。针对近距离微弱红外辅助照明获得的红外图像,利用手势与背景之间的灰度差,使用基于K-Means聚类的分割算法,提取手势区域,然后根据手势的几何信息进行分类。通过实验分析可得出K-Means聚类算法存在局限性,手势分割的完整性除了受光照均匀性的影响外,算法稳定性还与K值、初始种子点的选取有关。针对手势位置偏离光轴,造成灰度不均匀的红外图像无法通过聚类算法得到有效手势的问题,提出基于HOG特征的SVM手势分类算法。基于红外手势的特征金字塔建立手势分类模型,该模型无需依赖于手势分割的结果,算法的可用性得以提升。基于上述研究工作,本文实现了夜间红外图像的多种手势识别。通过基于卡尔曼滤波的红外图像条纹噪声去除算法,提升了红外图像的峰值信噪比,并在此基础上通过手势识别算法,进行夜间环境下的十种红外手势识别。经测试评估,识别率为91.8%,不受光源引起的非均匀性影响,能够较好地实现夜间环境下的多种手势识别。
贾新庆[10]（2020）在《基于红外识别的掘进机截割轨迹规划研究》文中进行了进一步梳理巷道掘进是煤矿开采过程中的一道重要工序,掘进施工工艺的优化程度直接影响到工程的效率与质量,高效机械化掘进是保证矿井实现高产高效的必要条件,也是巷道掘进技术的发展方向。当掘进机截割到夹矸时,机体将会产生剧烈振动,如果不能及时减速或避让,截齿会产生剧烈磨损。采用有效的煤岩识别技术,使截割轨迹避开大块夹矸,是提高掘进效率的必要措施。因此本文对煤岩识别方法、截割轨迹规划、掘进机控制系统进行研究。采用解析法研究包含截齿、岩样与岩屑的封闭系统,建立截割过程中截齿与岩样接触面的热量传递模型,分析截割过程中岩样抗压强度与截割温度变化的关系。基于煤岩截割实验台与四块不同硬度岩样进行截割实验,利用红外热像仪获取整个截割过程红外图像;对红外图像进行处理与分析,获得截割过程的闪温特性值,通过分析截割过程中闪温特性值与抗压强度的关系,得出结论:不同力学性质岩样具有不同的闪温特性值,且闪温特性值与岩样抗压强度呈正相关,使用闪温特性值可以区分掘进机截割状态,并进行实验验证其有效性。建立包含随机位置及大小夹矸的栅格地图,对巷道断面地图进行预处理,设置栅格属性。基于生物激励神经网络,对断面地图中所有栅格赋予活性值,初步规划截割头运动轨迹;针对出现的复杂断面地图,利用浮动模板法辅助判断移动方向,使判定更加准确。仿真验证该方法能够在保证覆盖率基本超过95%的情况下,重复率平均值为10%左右,达到预期效果。对掘进机截割臂进行几何分析,获得驱动油缸伸缩量与栅格地图坐标的关系。对截割臂控制系统的硬件与软件进行研究,建立MATLAB、Win CC与PLC之间通讯方式,编写监控与控制界面、控制程序等;确定煤岩分布获取方法,搭建Simulink控制模型。系统由前一次截割过程的驱动油缸伸缩量与闪温特性值确定断面煤岩分布,导入轨迹规划程序获得后一次截割轨迹,并通过控制程序使截割头能够按照预期的轨迹移动。实验结果证明其可行性与准确性。该论文有图45幅,表6幅,参考文献105篇。
二、基于红外图像的道路识别算法研究（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、基于红外图像的道路识别算法研究（论文提纲范文）
（1）移动机器人智能监控与应急救援关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视频监控系统研究现状 |
| 1.2.2 运动目标检测技术研究现状 |
| 1.2.3 机器人巡逻监控研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 相关技术及理论基础 |
| 2.1 引言 |
| 2.2 运动目标检测方法 |
| 2.3 红外线及红外摄像技术 |
| 2.4 本章小结 |
| 第三章 低照度下视频监控区域入侵目标检测算法研究 |
| 3.1 引言 |
| 3.2 低照度下区域入侵检测主要流程 |
| 3.3 低照度下区域入侵检测算法研究与实现 |
| 3.3.1 视频亮度异常检测 |
| 3.3.2 低照度下前景分割算法研究 |
| 3.3.3 低照度下结合图像增强的前景分割算法优化 |
| 3.3.4 入侵判定方法研究 |
| 3.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 远程控制机器人精准巡逻探测方法研究 |
| 4.1 引言 |
| 4.2 基于地面移动机器人的视频监控平台搭建 |
| 4.2.1 地面移动机器人同步定位与地图构建 |
| 4.2.2 地面移动机器人路径规划 |
| 4.3 机器人巡逻红外目标检测算法研究 |
| 4.3.1 基于SIFT算法的红外图像检测 |
| 4.3.2 基于Efficient Det网络架构的红外图像检测 |
| 4.4 实验结果分析 |
| 4.5 本章小结 |
| 第五章 移动机器人智能监控与应急救援软件平台总体设计与实现 |
| 5.1 引言 |
| 5.2 需求分析 |
| 5.3 移动机器人智能监控与应急救援监控系统总体架构 |
| 5.4 软件系统设计与实现 |
| 5.4.1 实时监控与检测系统 |
| 5.4.2 应急报警与联动救援系统 |
| 5.4.3 信息统计与反馈系统 |
| 5.5 主要功能测试 |
| 5.6 本章小结 |
| 第六章 移动机器人智能监控与应急救援实验验证 |
| 6.1 引言 |
| 6.2 系统软硬件平台 |
| 6.3 实验验证与分析 |
| 6.3.1 低照度情况下区域入侵检测验证 |
| 6.3.2 基于地面移动机器人巡逻的视频监控验证 |
| 6.4 本章小结 |
| 第七章 总结及展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
（2）面向汽车辅助驾驶的红外及可见光融合目标识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 汽车辅助驾驶技术国内外研究现状 |
| 1.2.2 图像融合技术国内外研究现状 |
| 1.3 研究内容和章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第2章 红外图像与可见光图像的特性及预处理 |
| 2.1 红外图像成像原理及特性分析 |
| 2.1.1 红外图像的成像原理 |
| 2.1.2 红外图像的特性 |
| 2.2 可见光图像成像原理及特性分析 |
| 2.2.1 可见光图像的成像原理 |
| 2.2.2 可见光图像的特性 |
| 2.3 红外图像与可见光图像的区别与联系 |
| 2.4 图像预处理 |
| 2.4.1 图像去噪 |
| 2.4.2 图像增强 |
| 2.5 实验结果与分析 |
| 2.5.1 图像去噪算法的实验结果与分析 |
| 2.5.2 图像增强算法的实验结果与分析 |
| 2.6 本章小结 |
| 第3章 红外图像与可见光图像的融合 |
| 3.1 图像融合层次 |
| 3.1.1 像素级融合 |
| 3.1.2 特征级融合 |
| 3.1.3 决策级融合 |
| 3.2 像素级融合算法分析 |
| 3.2.1 加权平均融合算法 |
| 3.2.2 小波变换融合算法 |
| 3.2.3 NSCT变换融合算法 |
| 3.3 改进的图像融合算法 |
| 3.4 融合图像质量的评定 |
| 3.4.1 主观图像融合质量评定法 |
| 3.4.2 客观图像融合质量评定法 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 目标检测与定位 |
| 4.1 目标检测算法分析 |
| 4.1.1 形态学目标检测算法 |
| 4.1.2 小波变换目标检测算法 |
| 4.2 改进的目标检测算法 |
| 4.3 目标定位算法分析 |
| 4.3.1 基于灰度特征的目标定位算法 |
| 4.3.2 基于物体重心的目标定位算法 |
| 4.4 实验结果与分析 |
| 4.4.1 目标检测算法的实验结果与分析 |
| 4.4.2 目标定位算法的实验结果与分析 |
| 4.5 本章小结 |
| 第5章 目标特征提取 |
| 5.1 目标特征提取算法分析 |
| 5.1.1 Haar-like特征 |
| 5.1.2 LBP特征 |
| 5.1.3 HOG特征 |
| 5.2 改进的目标特征提取算法 |
| 5.2.1 改进的HOG特征 |
| 5.2.2 串行融合改进HOG特征与LBP特征 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 目标识别 |
| 6.1 目标识别算法分析 |
| 6.1.1 SVM分类器 |
| 6.1.2 AdaBoost分类器 |
| 6.2 改进AdaBoost分类器的训练模型 |
| 6.2.1 弱分类器训练模型 |
| 6.2.2 强分类器训练模型 |
| 6.2.3 弱分类器的权重调整 |
| 6.3 改进AdaBoost分类器的训练 |
| 6.3.1 弱分类器的训练 |
| 6.3.2 强分类器的训练 |
| 6.3.3 级联分类器的训练 |
| 6.4 实验结果与分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（3）红外与可见光图像融合的目标识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像融合及目标识别的研究现状 |
| 1.2.2 嵌入式平台下图像处理的研究现状 |
| 1.3 本文主要研究工作和章节安排 |
| 第2章 红外与可见光成像原理及预处理方法 |
| 2.1 红外与可见光成像原理 |
| 2.1.1 红外热成像传感器工作原理 |
| 2.1.2 可见光成像传感器工作原理 |
| 2.2 红外与可见光图像的特点 |
| 2.3 红外与可见光图像的预处理方法 |
| 2.3.1 可见光图像预处理 |
| 2.3.2 红外图像预处理 |
| 2.4 本章小结 |
| 第3章 坦克目标的图像配准与融合方法 |
| 3.1 红外与可见光图像配准 |
| 3.1.1 图像配准概述 |
| 3.1.2 配准几何变换模型 |
| 3.1.3 图像配准方法 |
| 3.2 红外与可见光图像的特征配准 |
| 3.2.1 不变矩特征 |
| 3.2.2 SURF特征描述子 |
| 3.2.3 形状上下文特征 |
| 3.2.4 图像配准评价 |
| 3.3 红外与可见光图像融合 |
| 3.3.1 图像融合算法 |
| 3.3.2 基于小波变换的图像融合 |
| 3.3.3 融合结果分析 |
| 3.4 本章小结 |
| 第4章 坦克目标的特征提取与识别方法 |
| 4.1 图像模式识别方法概述 |
| 4.2 坦克目标特征提取方法 |
| 4.2.1 局部二元模式特征 |
| 4.2.2 SIFT特征描述 |
| 4.2.3 梯度方向直方图特征 |
| 4.3 小样本数据的目标分类决策方法 |
| 4.3.1 最优分类面的选择 |
| 4.3.2 支持向量机 |
| 4.3.3 核函数选择 |
| 4.4 基于HOG+SVM目标识别算法 |
| 4.4.1 融合目标的特征选择 |
| 4.4.2 HOG特征提取 |
| 4.4.3 SVM分类器训练及分类 |
| 4.4.4 多尺度窗口融合方法 |
| 4.4.5 识别结果分析 |
| 4.5 本章小结 |
| 第5章 ARM+FPGA的嵌入式系统实现与结果分析 |
| 5.1 FPGA平台下的算法加速优化 |
| 5.1.1 图像配准算法优化 |
| 5.1.2 融合算法优化 |
| 5.1.3 HOG特征提取算法的优化 |
| 5.2 融合图像的目标识别系统搭建 |
| 5.2.1 Zynq平台简介 |
| 5.2.2 系统总体架构部署 |
| 5.2.3 模块化IP设计 |
| 5.2.4 运行环境配置 |
| 5.2.5 软件工程设计 |
| 5.3 系统验证与性能分析 |
| 5.3.1 实验结果对比分析 |
| 5.3.2 系统性能分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（4）矿用空压机工作状态红外识别关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源及背景 |
| 1.2 课题研究现状及存在问题 |
| 1.3 课题研究内容与方法 |
| 1.4 课题研究意义 |
| 2 矿用空压机工作状态识别系统总体设计 |
| 2.1 矿用空压机基本结构与工作原理 |
| 2.2 矿用空压机工作状态识别系统 |
| 2.3 本章小结 |
| 3 矿用空压机红外热图像去噪技术研究 |
| 3.1 不同传感信号在表征空压机工作状态中的适用性分析 |
| 3.2 红外热成像原理及其在空压机运行状态监测中的应用 |
| 3.3 矿用空压机关键部件红外热图像自适应去噪 |
| 3.4 仿真分析 |
| 3.5 本章小结 |
| 4 矿用空压机红外图像降维方法研究 |
| 4.1 机械学习降维方法概述 |
| 4.2 图像降维方法对比分析 |
| 4.3 图像降维算法的性能分析 |
| 4.4 本章小结 |
| 5 基于机器学习的矿用空压机工作状态识别方法研究 |
| 5.1 空压机工作状态划分方法 |
| 5.2 空压机工作状态红外识别算法 |
| 5.3 本章小结 |
| 6 实验研究 |
| 6.1 实验室实验平台的搭建 |
| 6.2 实验室试验结果分析 |
| 6.3 工业性试验 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 论文创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）基于机器学习的目标探测与识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外发展状况 |
| 1.2.1 传统目标检测算法 |
| 1.2.2 基于深度学习的目标检测算法 |
| 1.2.3 机器学习算法 |
| 1.3 研究内容和论文章节安排 |
| 第2章 红外成像和目标检测技术 |
| 2.1 红外成像技术理论 |
| 2.1.1 红外辐射基本理论 |
| 2.1.2 红外成像原理介绍 |
| 2.1.3 红外图像特点介绍 |
| 2.2 红外目标检测与识别技术流程 |
| 2.2.1 红外目标检测与识别技术基础 |
| 2.2.2 红外目标检测与识别技术方案 |
| 2.3 本章总结 |
| 第3章 基于对比度的红外点目标检测与识别技术研究 |
| 3.1 常规的红外点目标检测算法介绍 |
| 3.2 基于局部对比测度的红外点目标检测识别 |
| 3.2.1 基于局部对比测度基本原理介绍 |
| 3.2.2 基于局部对比测度的红外点目标检测结果 |
| 3.3 基于模板匹配算法的红外点目标检测识别 |
| 3.3.1 模板匹配算法原理介绍 |
| 3.3.2 基于模板匹配算法的红外点目标检测结果 |
| 3.4 基于数学形态学运算的红外点目标检测识别 |
| 3.4.1 二值图像中的基本数学形态学运算 |
| 3.4.2 灰度图像中的基本数学形态学运算 |
| 3.4.3 基于数学形态学的红外点目标检测结果 |
| 3.5 基于块的多尺度对比测度的红外点目标检测识别 |
| 3.5.1 基于块的多尺度对比测度算法原理介绍 |
| 3.5.2 基于块的多尺度对比测度的红外点目标检测结果 |
| 3.6 本章总结 |
| 第4章 基于支持向量机的红外面目标分类识别技术研究 |
| 4.1 基于不同服饰的红外面目标分类识别的科学问题 |
| 4.2 面目标识别特征提取算法分析 |
| 4.2.1 方向梯度直方图算法介绍 |
| 4.2.2 灰度共生矩阵算法介绍 |
| 4.3 支持向量机分类器介绍 |
| 4.4 分类模型算法设计与验证结果 |
| 4.4.1 分类模型介绍 |
| 4.4.2 混淆矩阵和分类模型性能评估参数 |
| 4.4.3 分类模型算法参数设计与实验结果 |
| 4.5 本章总结 |
| 第5章 基于卷积神经网络的红外空中动目标和地上行人检测研究 |
| 5.1 深度学习理论基础 |
| 5.1.1 感知器原理介绍 |
| 5.1.2 反向传播算法介绍 |
| 5.1.3 卷积神经网络介绍 |
| 5.2 典型CNN网络介绍 |
| 5.2.1 R-CNN网络介绍 |
| 5.2.2 SPP-Net网络介绍 |
| 5.2.3 Fast R-CNN网络介绍 |
| 5.2.4 Faster R-CNN网络介绍 |
| 5.3 红外空中动目标检测算法研究 |
| 5.3.1 阈值分割算法原理介绍 |
| 5.3.2 基于阈值分割的帧间差分算法的目标检测结果 |
| 5.3.3 基于卷积神经网络的目标检测结果 |
| 5.3.4 本节总结 |
| 5.4 红外地上行人检测算法研究 |
| 5.4.1 级联目标检测器原理介绍 |
| 5.4.2 基于级联检测器的目标检测结果 |
| 5.4.3 基于卷积神经网络的目标检测结果 |
| 5.4.4 本节总结 |
| 5.5 本章总结 |
| 第6章 结论和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（6）异源视觉道路行车场景的交通对象分类检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 自动驾驶技术 |
| 1.2.2 高级辅助驾驶技术 |
| 1.2.3 车载视觉技术 |
| 1.2.4 道路检测 |
| 1.2.5 车辆检测 |
| 1.2.6 行人检测 |
| 1.3 研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第二章 异源视觉道路行车场景视觉处理 |
| 2.1 单目视觉色度空间 |
| 2.1.1 RGB颜色空间 |
| 2.1.2 光照不变对数色度空间 |
| 2.2 深度视觉场景构建 |
| 2.2.1 深度视觉道路场景模型 |
| 2.2.2 U、V视图 |
| 2.2.3 深度视觉道路场景特性 |
| 2.3 红外视觉图像处理 |
| 2.3.1 红外视觉道路场景行人特性 |
| 2.3.2 红外视觉注意机制 |
| 2.4 本章小结 |
| 第三章 基于学习光照无关图的带阴影道路在线检测算法 |
| 3.1 引言 |
| 3.2 光照无关图 |
| 3.3 基于学习的在线?角标定 |
| 3.3.1 多特征融合的道路块特征提取 |
| 3.3.2 SVM道路块判定器 |
| 3.3.3 最小熵求解 |
| 3.4 道路检测算法 |
| 3.4.1 感兴趣区域提取 |
| 3.4.2 光照无关图获取 |
| 3.4.3 道路样本集 |
| 3.4.4 道路分类器 |
| 3.5 实验结果与分析 |
| 3.5.1 CVC公共数据集测试 |
| 3.5.2 自制视频序列测试 |
| 3.5.3 强太阳光和低对比度条件检测 |
| 3.5.4 时间有效性分析 |
| 3.6 本章小结 |
| 第四章 基于单目深度估计和精细化U-V视图的车辆检测算法 |
| 4.1 引言 |
| 4.2 单目深度估计模型 |
| 4.3 道路感兴趣区域检测算法 |
| 4.3.1 精细化U、V视图 |
| 4.3.2 地平线检测 |
| 4.3.3 道路区域修正 |
| 4.4 路上车辆检测 |
| 4.4.1 路上车辆源点生成 |
| 4.4.2 路上车辆目标检测 |
| 4.5 实验结果与分析 |
| 4.5.1 边缘增强损失视差图 |
| 4.5.2 道路感兴趣区域检测结果 |
| 4.5.3 路上车辆检测结果 |
| 4.5.4 时间有效性分析 |
| 4.6 本章小结 |
| 第五章 基于快速显着性和多特征融合的夜间行人检测算法 |
| 5.1 引言 |
| 5.2 夜间行人感兴趣区域生成 |
| 5.2.1 快速显着性图获取 |
| 5.2.2 目标区域细化分离 |
| 5.3 夜间行人结果确定 |
| 5.3.1 多特征融合的夜间行人特征提取 |
| 5.3.2 线性核SVM夜间行人分类器 |
| 5.4 实验结果与分析 |
| 5.4.1 数据集描述 |
| 5.4.2 夜间行人检测结果 |
| 5.4.3 时间有效性分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
（7）基于红外图像的电力设备故障分析研究（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 红外热成像技术研究现状 |
| 1.2.2 电力设备红外故障检测研究现状 |
| 1.3 本文主要工作 |
| 1.4 本文章节安排 |
| 2 电力设备红外图像预处理 |
| 2.1 红外热成像技术 |
| 2.1.1 红外热成像技术原理 |
| 2.1.2 红外检测基本要求 |
| 2.1.3 红外图像特点 |
| 2.2 红外图像预处理 |
| 2.2.1 均值滤波 |
| 2.2.2 维纳滤波 |
| 2.2.3 中值滤波 |
| 2.2.4 双边滤波 |
| 2.2.5 本文方法 |
| 2.3 实验结果及图像质量分析 |
| 2.4 本章小结 |
| 3 基于卷积神经网络的红外图像故障分类 |
| 3.1 卷积神经网络概述 |
| 3.1.1 卷积神经网络发展 |
| 3.1.2 卷积神经网络基本组成 |
| 3.1.3 卷积神经网络训练过程 |
| 3.2 基于卷积神经网络的电力设备红外图像故障分类 |
| 3.2.1 故障分类卷积神经网络结构 |
| 3.2.2 样本数据集 |
| 3.2.3 网络训练及结果分析 |
| 3.3 本章小结 |
| 4 基于卷积神经网络的电力设备红外图像故障分析及健康管理 |
| 4.1 电力设备故障区域定位 |
| 4.1.1 图像分割原理 |
| 4.1.2 传统图像分割算法 |
| 4.1.3 聚类分析图像分割算法 |
| 4.1.4 实验结果与分析 |
| 4.2 电力设备故障等级诊断 |
| 4.2.1 电力设备故障介绍 |
| 4.2.2 常用红外诊断方法 |
| 4.2.3 电力设备故障判断方法 |
| 4.3 电力设备健康管理 |
| 4.3.1 故障趋势预测 |
| 4.3.2 健康管理界面 |
| 4.4 基于卷积神经网络的电力设备红外图像故障分析方法 |
| 4.5 本章小结 |
| 5 基于SSD_Mobilenet网络的电力设备红外图像故障目标检测方法 |
| 5.1 目标检测简述 |
| 5.2 SSD_Mobilenet目标检测网络 |
| 5.2.1 SSD网络 |
| 5.2.2 Mobilenet网络 |
| 5.2.3 SSD_Mobilenet网络 |
| 5.3 实验及结果分析 |
| 5.4 基于SSD_Mobilenet网络的电力设备红外图像故障分析方法 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（8）少样本条件下的红外空中目标识别与检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 专业术语注释表 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 红外目标检测算法研究现状 |
| 1.2.1 红外图像预处理技术研究现状 |
| 1.2.2 候选区域生成技术研究现状 |
| 1.2.3 红外目标识别算法研究现状 |
| 1.3 本文内容与章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构安排 |
| 第2章 基于稀疏表示的条状噪声校正方法 |
| 2.1 引言 |
| 2.2 条状噪声的建模分析与评价指标 |
| 2.2.1 噪声的建模分析 |
| 2.2.2 条状噪声消除的评价指标 |
| 2.3 基于稀疏表示的条状噪声校正方法 |
| 2.3.1 稀疏表示模型 |
| 2.3.2 l0-稀疏求解算法 |
| 2.3.3 图像重建 |
| 2.3.4 最小二乘法求取校正系数 |
| 2.3.5 K-SVD字典学习算法 |
| 2.4 实验与结果分析 |
| 2.4.1 实验准备与数据来源 |
| 2.4.2 字典学习 |
| 2.4.3 误差容限对校正结果的影响 |
| 2.4.4 对比实验 |
| 2.5 小结 |
| 第3章 基于判别稀疏表示的红外空中目标识别方法 |
| 3.1 引言 |
| 3.2 算法模型 |
| 3.2.1 判别稀疏表示原理 |
| 3.2.2 FDDL字典学习 |
| 3.2.3 具有旋转不变性的HOG特征 |
| 3.3 实验与结果分析 |
| 3.3.1 实验准备与数据来源 |
| 3.3.2 梯度统计划分区间 |
| 3.3.3 字典学习 |
| 3.3.4 分类结果分析 |
| 3.3.5 抗噪性能分析 |
| 3.4 小结 |
| 第4章 基于少样本学习的红外空中目标分类方法 |
| 4.1 引言 |
| 4.2 基于元学习的少样本学习方法 |
| 4.2.1 与模型无关的元学习方法 |
| 4.2.2 LSTM模型元学习 |
| 4.3 基于度量学习的少样本学习方法 |
| 4.3.1 匹配网络 |
| 4.3.2 原型网络 |
| 4.3.3 关系网络 |
| 4.4 多尺度改进关系网络 |
| 4.4.1 多尺度改进关系网络的结构设计 |
| 4.4.2 多尺度改进关系网络的学习策略 |
| 4.5 实验与结果分析 |
| 4.5.1 实验准备与数据来源 |
| 4.5.2 mini-Image Net少样本学习任务 |
| 4.5.3 Infra-aircraft少样本学习任务 |
| 4.6 小结 |
| 第5章 基于少样本学习的小尺寸红外空中目标检测方法 |
| 5.1 引言 |
| 5.2 特征权重调整模型 |
| 5.3 针对红外空中目标的特征权重调整模型 |
| 5.3.1 特征提取模块 |
| 5.3.2 特征权重调整模块 |
| 5.3.3 预测模块 |
| 5.3.4 训练策略 |
| 5.4 实验与结果分析 |
| 5.4.1 实验准备与数据来源 |
| 5.4.2 评价指标 |
| 5.4.3 Pascal-VOC数据集测试结果 |
| 5.4.4 红外数据集测试结果 |
| 5.5 小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.1.1 主要研究工作 |
| 6.1.2 特色与创新 |
| 6.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（9）基于红外摄像头的手势识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景与意义 |
| 1.1.1 论文研究背景 |
| 1.1.2 论文研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 手势识别技术研究现状 |
| 1.2.2 红外技术研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构 |
| 第二章 红外夜视技术与红外手势识别 |
| 2.1 红外夜视技术 |
| 2.1.1 被动红外夜视技术 |
| 2.1.2 主动红外夜视技术 |
| 2.2 红外手势识别模块 |
| 2.2.1 红外发光二极管 |
| 2.2.2 红外发光二极管辐射强度与偏转夹角的关系 |
| 2.2.3 红外发光二极管辐射强度与距离的关系 |
| 2.2.4 红外摄像头模组 |
| 2.3 红外手势识别的难点与解决方案 |
| 2.3.1 可见光手势图像与红外手势图像的区别 |
| 2.3.2 红外手势识别的问题与难点 |
| 2.3.3 红外手势识别的解决方案 |
| 2.4 本章小结 |
| 第三章 红外图像条纹非均匀性校正 |
| 3.1 红外图像非均匀性 |
| 3.1.1 非均匀性原因 |
| 3.1.2 非均匀性校正算法 |
| 3.2 红外图像条纹非均匀性 |
| 3.2.1 条纹非均匀性的产生机理 |
| 3.2.2 条纹非均匀性的实验分析 |
| 3.3 红外图像条纹非均匀性校正算法 |
| 3.3.1 条带噪声去除流程 |
| 3.3.2 红外图像列均值和列方差的特点 |
| 3.3.3 红外图像列均值和列方差的拟合 |
| 3.4 红外图像去噪评价 |
| 3.4.1 去噪评价指标 |
| 3.4.2 红外图像条纹非均匀性校正评价 |
| 3.5 本章小结 |
| 第四章 基于K-Means聚类和形态学的红外手势识别 |
| 4.1 基于K-Means聚类的红外手势分割 |
| 4.1.1 基于K-Means聚类的红外手势分割原理 |
| 4.1.2 基于K-Means红外手势分割的影响因素 |
| 4.2 特征点定位 |
| 4.2.1 掌心定位 |
| 4.2.2 指尖点定位 |
| 4.3 基于几何特征的手势分类 |
| 4.4 本章小结 |
| 第五章 基于HOG特征提取和SVM分类的红外手势识别 |
| 5.1 HOG特征 |
| 5.1.1 像素级特征提取 |
| 5.1.2 空间聚合 |
| 5.1.3 归一化和截断 |
| 5.1.4 降维 |
| 5.1.5 HOG特征 |
| 5.2 HOG特征金字塔 |
| 5.3 红外手势的HOG特征 |
| 5.3.1 HOG特征可视化 |
| 5.3.2 HOG特征优缺点 |
| 5.4 SVM分类 |
| 5.4.1 线性分类 |
| 5.4.2 支持向量机 |
| 5.4.3 核函数 |
| 5.5 基于HOG特征的红外手势识别 |
| 5.5.1 红外手势识别流程 |
| 5.5.2 红外手势分类模型 |
| 5.5.3 红外手势识别效果 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究内容总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（10）基于红外识别的掘进机截割轨迹规划研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 煤岩识别及掘进机截割轨迹规划概述 |
| 1.3 国内外研究现状及存在问题 |
| 1.4 主要研究内容 |
| 1.5 本章小结 |
| 2 截割温度特性研究 |
| 2.1 温度特性理论分析 |
| 2.2 红外图像获取 |
| 2.3 红外图像处理 |
| 2.4 本章小结 |
| 3 巷道断面全覆盖轨迹规划 |
| 3.1 巷道断面建模 |
| 3.2 基于生物激励神经网络的轨迹规划 |
| 3.3 改进的全覆盖式轨迹规划方法设计 |
| 3.4 仿真验证 |
| 3.5 本章小结 |
| 4 截割臂轨迹控制系统设计 |
| 4.1 截割臂运动学分析 |
| 4.2 控制系统硬件设计 |
| 4.3 控制系统软件设计 |
| 4.4 煤岩分布获取 |
| 4.5 Simulink模型搭建 |
| 4.6 本章小结 |
| 5 回转摆动截割实验 |
| 5.1 实验目的 |
| 5.2 回转摆动截割实验台 |
| 5.3 实验研究 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
四、基于红外图像的道路识别算法研究（论文参考文献）
- [1]移动机器人智能监控与应急救援关键技术研究[D]. 杜越. 电子科技大学, 2021(01)
- [2]面向汽车辅助驾驶的红外及可见光融合目标识别技术研究[D]. 张子睿. 沈阳理工大学, 2021(01)
- [3]红外与可见光图像融合的目标识别方法研究[D]. 孟志敏. 沈阳理工大学, 2021(01)
- [4]矿用空压机工作状态红外识别关键技术研究[D]. 仝矿伟. 中国矿业大学, 2020
- [5]基于机器学习的目标探测与识别技术研究[D]. 王周春. 中国科学院大学(中国科学院上海技术物理研究所), 2020(03)
- [6]异源视觉道路行车场景的交通对象分类检测算法研究[D]. 宋永超. 长安大学, 2020(06)
- [7]基于红外图像的电力设备故障分析研究[D]. 赵梦. 西安理工大学, 2020(01)
- [8]少样本条件下的红外空中目标识别与检测技术研究[D]. 金璐. 中国科学院大学(中国科学院上海技术物理研究所), 2020(03)
- [9]基于红外摄像头的手势识别[D]. 金展翌. 东南大学, 2020(01)
- [10]基于红外识别的掘进机截割轨迹规划研究[D]. 贾新庆. 中国矿业大学, 2020(03)