基于DAM6416P平台的目标图像识别技术研究

论文摘要

现代战争中,空中精确打击和空地一体化作战已经成为最重要的作战形式。因此,对空中目标的识别就显得非常重要。本论文针对飞机目标,在基于DSP的图像处理平台上进行了飞机目标图像处理与识别技术研究。主要完成了以下几个方面的工作:首先分析了本课题国内外研究现状和发展方向,对DSP技术发展进行了简要介绍,着重探讨了DAM6416P在图像处理与识别应用过程中程序结构的软硬件设计和数据传输问题。其次研究了了飞机目标的分割和运动目标检测技术。综合利用图像灰度及邻域空间信息,研究了基于进化规划的二维最小交叉熵法和基于神经网络的图像分割法;分析了常用的运动目标检测算法的优缺点,研究了基于自适应混合高斯模型的目标检测技术。实验表明,这些方法能较好的提取飞机图像,为目标识别做好了准备。接着研究了对分割目标的特征提取,主要进行了仿射不变矩,相对不变矩以及修正后的Hu不变矩特征提取,将几种基于矩的特征提取方法应用于目标识别,对实验结果进行了对比与分析。然后将目标特征向量输入到分类器中训练,再运用测试样本进行测试,得到了良好的识别结果。识别方法主要运用了自组织特征映射神经网络和支持向量机技术。自组织特征映射神经网络主要对网络模型进行了改进;支持向量机主要研究了改进的序贯最小优化算法和参数初始化设置问题。最后简单地总结了本课题的内容,并从硬件及软件方面对本课题的研究方向进行了展望。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 本课题研究的意义
• 1.2 空中目标图像识别的研究现状
• 1.3 硬件研究现状
• 1.4 本课题的主要研究内容
• 1.5 本章小结
• 第二章 飞机目标图像前期处理技术研究
• 2.1 引言
• 2.2 图像分割技术
• 2.2.1 图像分割概述
• 2.2.2 图像预处理
• 2.2.3 基于进化规划的二维交叉熵图像分割
• 2.2.4 基于神经网络的图像分割
• 2.3 运动目标检测技术
• 2.3.1 运动目标检测算法
• 2.3.2 自适应混合高斯模型
• 2.3.3 基于自适应混合高斯模型的运动目标检测技术
• 2.3.4 形态学滤波
• 2.3.5 实验结果与分析
• 2.4 本章小结
• 第三章 目标的特征提取和神经网络识别技术
• 3.1 引言
• 3.2 基于区域的矩不变量
• 3.2.1 Hu 矩不变量
• 3.2.2 改进的不变矩
• 3.2.3 相对不变矩
• 3.3 仿射不变量特征提取
• 3.4 基于 Kohonen 神经网络的识别技术
• 3.4.1 Kohonen 神经网络原理
• 3.4.2 Kohonen 自组织特征映射算法
• 3.4.3 SOFM 算法的改进措施
• 3.4.4 Kohonen 网络在目标识别中的应用
• 3.4.5 实验结果与分析
• 3.5 本章小结
• 第四章 基于支持向量机的目标识别技术
• 4.1 引言
• 4.2 支持向量机原理
• 4.2.1 机器学习模型
• 4.2.2 经验风险最小化和结构风险最小化
• 4.2.3 支持向量机技术
• 4.3 支持向量机在目标识别中的应用
• 4.3.1 支持向量机的学习算法
• 4.3.2 序贯最小优化算法
• 4.3.3 SMO 算法实现
• 4.4 实验结果与分析
• 4.5 本章小结
• 第五章 图像处理与识别算法在DSP 上的实现及优化
• 5.1 引言
• 5.2 DSP 系统构成
• 5.2.1 DAM6416P 图像处理系统结构
• 5.2.2 硬件仿真器
• 5.3 系统软件开发及仿真
• 5.3.1 CCS 集成开发环境
• 5.3.2 系统仿真
• 5.4 图像处理算法的实现及优化
• 5.4.1 软件实现
• 5.4.2 图像的采集与显示
• 5.4.3 代码的优化实现
• 5.4.4 编程优化中应注意的问题
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 论文工作总结
• 6.2 研究展望
• 参考文献
• 致谢
• 在学校期间的研究成果及发表的学术论文