基于仿生視覺模型和復(fù)雜信息學(xué)習(xí)的多光譜夜視目標(biāo)識(shí)別技術(shù).pdf

1、針對(duì)多光譜夜視圖像，探索新型智能的場景理解和目標(biāo)感知方法已經(jīng)成為夜視技術(shù)發(fā)展的必然趨勢。本文將視覺建模和信息學(xué)習(xí)引入到多光譜夜視目標(biāo)探測識(shí)別中，構(gòu)建一系列具有人眼視覺典型特征和腦認(rèn)知功能的計(jì)算模型和學(xué)習(xí)方法，實(shí)現(xiàn)自然環(huán)境中夜視目標(biāo)魯棒識(shí)別，為智能化多光譜、大規(guī)模夜視信息理解和探測提供新型技術(shù)實(shí)現(xiàn)?；诜律曈X模型和復(fù)雜信息學(xué)習(xí)的多光譜夜視目標(biāo)識(shí)別需要解決兩個(gè)問題:①適用于多波段夜視圖像特征的仿生視覺建模，實(shí)現(xiàn)夜視圖像降噪、顯著分析和目標(biāo)

2、識(shí)別;②適用于夜視圖像集的復(fù)雜信息學(xué)習(xí)，實(shí)現(xiàn)多光譜目標(biāo)探測和大規(guī)模夜視數(shù)據(jù)降維、分類識(shí)別。本文針對(duì)這兩個(gè)問題，主要開展了以下幾個(gè)方面的研究工作:
　　(1)基于局部稀疏結(jié)構(gòu)降噪模型(Local Sparse Structure Denoising，LSSD)的微光圖像增強(qiáng)。傳統(tǒng)視覺稀疏和冗余表示在圖像去噪方面具有良好性能，然而無法解決復(fù)雜微光圖像降噪問題，且易于丟失圖像結(jié)構(gòu)信息。本文將噪聲不變的局部結(jié)構(gòu)特征嵌入到稀疏分解過程中，提

3、出一種局部結(jié)構(gòu)保持稀疏編碼及其核化算法，提高了強(qiáng)噪聲干擾下圖像塊稀疏表示的穩(wěn)定性。在此基礎(chǔ)上，構(gòu)建了一種LSSD模型，抑制自然微光圖像噪聲并保留紋理細(xì)節(jié)，有效提高微光圖像信噪比。
　　(2)基于非經(jīng)典感受野(non-Classical Receptive Field，nCRF)調(diào)制模型的夜視圖像顯著輪廓提取。本文首先針對(duì)噪聲和奇異數(shù)據(jù)干擾的微光圖像，提出了一種加權(quán)核主成分同質(zhì)度校正nCRF抑制模型，全面、準(zhǔn)確的評(píng)估中心-環(huán)境差異，

4、有效提高復(fù)雜場景下微光圖像顯著輪廓提取精度。其次針對(duì)夜視圖像細(xì)節(jié)模糊導(dǎo)致的輪廓斷裂問題，整合nCRF的抑制和易化作用，提出了一種nCRF復(fù)合調(diào)制模型，增強(qiáng)弱邊緣響應(yīng)、連接間斷輪廓，準(zhǔn)確提取自然場景下微光和紅外圖像的完整顯著輪廓。
　　(3)基于局部稀疏結(jié)構(gòu)匹配模型(Local Sparse Structure Matching，LSSM)的夜視目標(biāo)魯棒識(shí)別。視覺稀疏分類能夠獲得良好的目標(biāo)識(shí)別效果，然而對(duì)模板依賴性高，且對(duì)復(fù)雜場景下

5、的一般夜視目標(biāo)識(shí)別泛化能力弱。本文基于所提出的魯棒局部結(jié)構(gòu)保持稀疏編碼及其核化算法，結(jié)合局部匹配思想，構(gòu)建了一種LSSM模型，該模型無需大量感興趣目標(biāo)模板訓(xùn)練，實(shí)現(xiàn)了基于簡單模板集的夜視目標(biāo)魯棒識(shí)別，并且對(duì)場景變化、目標(biāo)形態(tài)多變、背景遮擋情況下的夜視目標(biāo)具有穩(wěn)健認(rèn)知能力。
　　(4)基于復(fù)雜信息學(xué)習(xí)的多光譜、大規(guī)模夜視目標(biāo)探測識(shí)別。本文首先針對(duì)多光譜夜視圖像集易受病態(tài)分布數(shù)據(jù)影響、目標(biāo)探測不準(zhǔn)確的問題，提出了一種光譜角匹配加權(quán)核特