导读:本文包含了目标检测与识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,目标,卷积,深度,图像,裂缝,桥梁。
目标检测与识别论文文献综述
白洁音,赵瑞,谷丰强,王姣[1]（2019）在《多目标检测和故障识别图像处理方法》一文中研究指出为了利用深度学习实现对输电线路的多目标识别以及多种故障的检测,以Faster RCNN(faster regions with convolutional neural networks features)网络为算法框架进行无人机图像的数据挖掘,针对输电线路的6种目标检测任务,提出了3种改进策略,分别为自适应图像预处理算法,基于面积的非极大值抑制算法,以及切分检测方案。研究结果表明:所提改进算法能够利用挖掘的数据对故障进行准确定位与识别,实现对复杂背景下航拍图像中多目标的故障检测,也可类推至其他类似多目标应用场景。论文研究可为多目标的检测和识别提供参考。(本文来源于《高电压技术》期刊2019年11期）
孙彦,丁学文,雷雨婷[2]（2019）在《基于目标检测模型的人脸识别技术》一文中研究指出为了改善当前人脸识别技术存在准确率低、算法运行速度慢和无法识别多个目标的问题,提出一种基于目标检测模型SSD_MobileNetv1的人脸识别方法,搭建Tensorflow Object Detection API框架,对人脸图像进行数据清洗和过滤来减少噪声对识别的影响,用MobileNetv1网络对图像进行特征提取,输入至SSD网络进行训练,使用梯度下降法优化训练网络中的权重。实验结果表明,多人脸识别目标定位准确、识别准确率高及模型训练的收敛速度加快,具有鲁棒性。(本文来源于《计算机与网络》期刊2019年22期）
梁栋,何佳,石陆魁,王松,刘佳[3]（2019）在《结合运动目标检测和ResNet的车速车型智能识别》一文中研究指出车速和车型作为重要的车辆信息,在道路监控系统中发挥着很大的作用.传统的基于视觉的车辆信息识别方式由于计算参数过大且提取的特征不足,难以满足智能交通实时性和普适性的需求.对此,提出了一种新的车辆信息识别方法,采用运动目标检测技术实现视频中车辆的提取,然后利用虚拟线圈法进行车速识别,再通过改进的残差网络对提取的车辆进行车型识别,有效地减少了计算参数,实现了对视频的快速处理,同时利用了残差网络极强的特征表达能力,提高了识别的准确率.此外,加入了重载车型的研究,有良好的应用前景.实验结果显示,系统车速识别平均绝对误差不超过6km/h,车型识别平均准确率达到92.1%,针对小客车和小轿车的识别准确率高达98.7%,优于传统的识别方法.(本文来源于《北京交通大学学报》期刊2019年05期）
马成贤,游雅辰[4]（2019）在《铁路桥梁裂缝位置识别与目标检测方法探讨》一文中研究指出裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。(本文来源于《铁道勘察》期刊2019年05期）
胡琼[5]（2019）在《基于深度卷积神经网络的遥感图像目标识别与检测》一文中研究指出提出了一种基于深度卷积神经网络的遥感图像多类目标识别方法,采用Faster R-CNN模型,以ZFNet为基础网络,通过实验显示对飞机、船舶以及油罐的识别准确率分别为90.67%、93.85%、83.33%,平均识别准确率达到了89.28%.同时与CNN、T-T-RICNN等识别检测方法的识别结果对比发现,提出的Faster R-CNN模型识别性能较好,有着良好的识别检测精度.(本文来源于《宁夏师范学院学报》期刊2019年10期）
余化鹏,李舟,杨新瑞,刘雷[6]（2019）在《基于目标检测结果的轮廓及颜色识别研究》一文中研究指出基于深度学习方法给出的目标矩形框检测结果,针对实时目标轮廓提取和颜色识别问题,提出了一种基于边缘提取和形态学操作的方法。首先通过Canny边缘检测算法提取图像大致轮廓,应用多次形态学闭操作将目标主体与背景、噪声等加以区分,找出最大轮廓即目标轮廓,然后利用目标轮廓所包含的区域,在HSI颜色空间中完成目标颜色的统计和识别,并采用真实场景中的无人机、小汽车和人的图像来进行实验验证。实验结果表明,所提出的方法相比纯粹基于深度神经网络的方法在效率上有较大提升,相比纯粹的底层图像处理方法在精度上有较大提高,既保证了实时性,又确保了较高的精度。(本文来源于《成都大学学报(自然科学版)》期刊2019年03期）
张代华[7]（2019）在《基于虚警识别与空-频域显着性映射的红外弱小目标检测算法》一文中研究指出为了提高复杂背景与低信杂比率环境下的弱小目标检测准确度,有效控制虚警的干扰,考虑真实目标与背景的差异,设计了虚警识别耦合空-频域显着性映射的红外弱小目标检测算法。首先,根据红外中心像素在不同方向的强度,基于中值滤波器,构建了新的噪声滤波方法,充分抑制红外背景中的噪声干扰。随后,考虑中心像素与其邻域像素间的强度差别,设计背景抑制滤波机制,消除背景信息。根据初始红外图像与背景抑制结果,在空域内计算灰度映射。基于Fourier变换的相位谱,在频域内提取红外目标的显着性映射。利用背景的均值与方差,通过一个滑动窗口,建立候选目标检测方法,从灰度映射与显着性映射中确定候选目标。最后,利用真实目标位置的相关性,建立虚警识别方法,从候选目标中消除虚警,以保留真实弱小目标。实验数据表明:较已有的弱小目标识别技术而言,在复杂干扰背景下,所提方案可准确定位出真实目标,拥有更大的信杂比增益值与背景抑制因子,以及更好的ROC(receiver operating characteristic curve)特性曲线。(本文来源于《科学技术与工程》期刊2019年27期）
赵薇,许铜华,王楠[8]（2019）在《基于深度学习的无人值守地面传感器目标检测与识别方法》一文中研究指出目前,针对震动信号的目标检测与识别方法已得到广泛而深入的研究,但对距离较远、目标信号幅值与背景噪声幅值相近或相等的行人等目标的探测精度无法达到较高水平。针对该问题,从时域信号特征提取与学习的角度出发,提出一种基于深度学习的目标检测与识别方法,通过提取行人行走及跑步信号的峰值序列,将该序列输入循环神经网络进行训练,从而得到可准确检测与识别行人震动信号的网络模型。实验结果表明,该方法对远距离(≥30 m)行人目标的识别精度可达到93%以上。(本文来源于《战术导弹技术》期刊2019年05期）
曹云峰,张洲宇,钟佩仪,张传奇,马宁[9]（2019）在《入侵目标视觉检测与识别的研究进展》一文中研究指出入侵目标视觉检测与识别是无人机感知与规避技术领域中重点研究的课题,关键任务是无人机在飞行过程中通过机载传感器获取光学机载图像中并判断是否存在入侵目标,并对入侵目标进行检测识别和定位;入侵目标视觉检测与识别是将无人机安全集成到国家空域并保证无人机和有人机飞行安全的关键技术之一;主要围绕无人机感知与规避技术中的入侵目标视觉检测与识别技术方面,分析检测与识别入侵目标所面临的一些难点问题,综述当前入侵目标视觉检测与识别的主要处理方法,并指出了该领域存在的尚未解决的问题和展望未来的发展趋势。(本文来源于《计算机测量与控制》期刊2019年08期）
曾文冠,鲁建华[10]（2019）在《基于卷积神经网络的声呐图像目标检测识别》一文中研究指出本文将基于卷积神经网络的目标检测方法引入声呐图像的目标检测任务中,并比较了Faster RCNN、YOLOv3和SSD模型在海星扇贝声呐图像目标检测识别任务中的性能,结果表明基于卷积神经网络的目标检测模型YOLOv3在声呐图像目标识别领域具有有效性和高效性。YOLOv3对声呐图像目标的识别平均精确率达到92.95%,单张图片检测时间仅为0.255秒。(本文来源于《第十七届船舶水下噪声学术讨论会论文集》期刊2019-08-21）
目标检测与识别论文开题报告
（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：
为了改善当前人脸识别技术存在准确率低、算法运行速度慢和无法识别多个目标的问题,提出一种基于目标检测模型SSD_MobileNetv1的人脸识别方法,搭建Tensorflow Object Detection API框架,对人脸图像进行数据清洗和过滤来减少噪声对识别的影响,用MobileNetv1网络对图像进行特征提取,输入至SSD网络进行训练,使用梯度下降法优化训练网络中的权重。实验结果表明,多人脸识别目标定位准确、识别准确率高及模型训练的收敛速度加快,具有鲁棒性。
（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。
目标检测与识别论文参考文献
[1].白洁音,赵瑞,谷丰强,王姣.多目标检测和故障识别图像处理方法[J].高电压技术.2019
[2].孙彦,丁学文,雷雨婷.基于目标检测模型的人脸识别技术[J].计算机与网络.2019
[3].梁栋,何佳,石陆魁,王松,刘佳.结合运动目标检测和ResNet的车速车型智能识别[J].北京交通大学学报.2019
[4].马成贤,游雅辰.铁路桥梁裂缝位置识别与目标检测方法探讨[J].铁道勘察.2019
[5].胡琼.基于深度卷积神经网络的遥感图像目标识别与检测[J].宁夏师范学院学报.2019
[6].余化鹏,李舟,杨新瑞,刘雷.基于目标检测结果的轮廓及颜色识别研究[J].成都大学学报(自然科学版).2019
[7].张代华.基于虚警识别与空-频域显着性映射的红外弱小目标检测算法[J].科学技术与工程.2019
[8].赵薇,许铜华,王楠.基于深度学习的无人值守地面传感器目标检测与识别方法[J].战术导弹技术.2019
[9].曹云峰,张洲宇,钟佩仪,张传奇,马宁.入侵目标视觉检测与识别的研究进展[J].计算机测量与控制.2019
[10].曾文冠,鲁建华.基于卷积神经网络的声呐图像目标检测识别[C].第十七届船舶水下噪声学术讨论会论文集.2019
论文知识图
