论文部分内容阅读
海面红外目标检测技术是目标检测研究领域的重要分支,是海面目标检测的重要技术手段,已成为研究热点,并且具有广泛的应用前景。AdaBoost算法是一种基于学习的迭代算法,通过针对同一训练集训练不同分类器,并将这些分类器集合起来构成一个强大的最终分类器。在目标检测和识别技术领域发展非常迅速。本文介绍了海面舰船红外目标检测国内外研究现状、传统的海面红外目标检测技术与相关理论,主要的工作是将AdaBoost算法通过OPENCV平台应用到海面红外目标检测领域,并且提出一种适用于海面红外目标检测的AdaBoost算法,为开发实时高效的海面红外目标自动化检测系统做前期研究,具体研究内容是：(1)本文总结和研究了传统的海面红外目标检测流程：红外图像预处理、目标定位、目标分割、目标检测。分别介绍了几种经典的图像预处理、目标定位、目标分割、目标检测的方法,并且对传统的海面红外目标检测方法进行仿真实验。(2)本文结合AdaBoost算法在人脸检测中应用原理,探讨将AdaBoost算法应用于海面红外目标检测中的可行性,针对海面目标与人脸目标的区别,研究适合于海面目标特征选取的特征,对比常用的Haar_Like矩形特征和SIFT/SURF灰度不变矩特征。发现基于Haar_Like特征训练的分类器时间成本更低而检测性能更好。(3)本文针对传统AdaBoost算法分类器训练时间成本高,而检测性能不好的缺点,提出一种改进的AdaBoost算法并应用于海面红外目标检测系统中。针对传统的AdaBoost算法特征数量大,耗费时间成本比较高的缺点,提出三种改进的特征选取方式。针对传统AdaBoost在训练样本不足或负样本多样性不够时出现的过学习甚至卡死的现象,提出一种改进的AdaBoost弱分类器权值更新方法。针对AdaBoost检测性能上的缺陷,提出一种新的阈值选取方法,确保分类器输出为后验概率输出,更客观地对未知图像做出较合理的判断。