【正文】 年代才開(kāi)始涉足這個(gè)領(lǐng)域。 參考 [1] D. Tuia, F. Pacifici, M. Kanevski, and W. J. Emery, “Classification of very high spatial resolution imagery using mathematical morphology and support vector machines,” IEEE Geosci. Remote Sens.,vol. 47, no. 11, pp. 3866–3879, Nov. 2021. [2] R. Fergus, P. Perona, and A. Zisserman, “Object class recognition by nsupervised scaleinvariant learning,” in Proc. CVPR, Jun. 2021, vol. 2, pp. II164–II271. 本科畢業(yè)設(shè)計(jì)論文 12 [3] A. C. Berg, T. L. Berg, and J. Malik, “Shape matching and object recognition using low distortion correspondences,” in Proc. CVPR, Jun. 2021, vol. 1, pp. 26–33. [4] R. Fergus, P. Perona, and A. Zisserman, “A visual category filter for google images,” in Proc. ECCV, 2021, vol. 3021, pp. 242–256. [5] B. Leibe, A. Leonardis, and B. Schiele, “Combined object categorization and segmentation with an implicit shape model,” in Proc. ECCV, 2021, pp. 17–32. [6] H. Akcay and S. Aksoy, “Automatic detection of geospatial objects using multiple segmentations,” IEEE Geosci. Remote Sens., vol. 46, no. 7, pp. 2097–2111, Jul. 2021. [7] X. Sun, H. Wang, and K. Fu, “Automatic detection of geospatial objects using taxonomic semantics,” IEEE Geosci. Remote Sens. Lett., vol. 7, no. 1, pp. 23–27, Jan. 2021. [8] V. Ferrari, L. Fevier, F. Jurie, and C. Schmid, “Groups of adjacent contour segments for object detection,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 30, no. 1, pp. 36–51, Jan. 2021. [9] J. Shotton, A. Blake, and R. Cipolla, “Multiscale categorical object recognition using contour fragments,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 30, no. 7, pp. 1270–1281, Jul. 2021. [10] A. Opelt, A. Pinz, and A. Zisserman, “A boundaryfragmentmodel for object detection,” in Proc. ECCV, 2021, vol. 2, pp. 575–588. [11] D. M. Gavrila, “A Bayesian, exemplarbased approach to hierarchical shape matching,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 29, no. 8, pp. 1408–1421, Aug. 2021. [12] X. Bai, Q. Li, L. J. Latecki,W. Liu, and Z. Tu, “Shape band: A deformable object detection approach,” in Proc. CVPR, 2021, pp. 1335–1342. [13] J. Shi and J. Malik, “Normalized cuts and image segmentation,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 22, no. 8, pp. 888–905, Aug. 2021. [14] M. Yang, K. Kpalma, and J. Ronsin, “A survey of shape feature extraction techniques,” Pattern Recognit., pp. 43–90, Nov. 2021. [15] S. Belongie, J. Malik, and J. Puzicha, “Shape matching and object recognition using shape contexts,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 24, no. 4, pp. 509–522, Apr. 2021. [16] A. Thayananthan, B. Stenger, P. H. S. Torr, and R. Cipolla, “Shape context and chamfer matching in cluttered scenes,” in Proc. CVPR, 2021, vol. 1, pp. I127–I133. [17] T. H. Cormen, C. E. Leiserson, R. L. Rivest, and C. Stein, Introduction to Algorithms, 2nd ed. Cambridge, MA: MIT Press, 2021. [18] S. Santini, Exploratory Image Databases: ContentBased Retrieval. New York: Academic Press, 2021. [19] S. Aksoy, K. Koperski, C. Tusk, G. Marchisio, and J. C. Tilton,“Learning Bayesian classifiers for scene classification with a visual grammar,” IEEE Geosci. Remote Sens., vol. 43, no. 3, pp. 581–589, Mar. 2021. [20] M. K. Hu, “Visual pattern recognition by moment invariants,” IEEE Trans. Inf. 本科畢業(yè)設(shè)計(jì)論文 13 Theory, vol. IT8, no. 2, pp. 179–187, Feb. 1962. 評(píng)閱意見(jiàn)： 指導(dǎo)教師（簽名）： 年 月 日 本科畢業(yè)設(shè)計(jì)論文 本科畢業(yè)設(shè)計(jì)論文 I 西北工業(yè)大學(xué)本科畢業(yè)設(shè)計(jì)（論 文）開(kāi)題報(bào)告 專業(yè)： 自動(dòng)化 班級(jí)： 09011006 學(xué)號(hào) 2021302197 姓名 鄭平 指導(dǎo)教師 李暉暉 報(bào) 告 題 目 紅外與可見(jiàn)光圖像配準(zhǔn) 題目來(lái)源（劃 √ ） 科研 □ 生產(chǎn) □ 實(shí)驗(yàn)室 □ 專題研究 □ 企業(yè)聯(lián)合 □ 論文類型（劃 √ ） 工程設(shè)計(jì)類 □ 實(shí)驗(yàn)研究類 □ 軟件開(kāi)發(fā)類 其 他 □ 報(bào) 告 日 期 2021 年 03 月 08 日 報(bào)告地點(diǎn) 一 選題目的與背景 隨著計(jì)算機(jī)技術(shù)和通信技術(shù)的飛速發(fā)展，以及信息技術(shù)和 計(jì)算機(jī)技術(shù)在生活、軍工等各個(gè)方面的廣泛使用，我們?cè)絹?lái)越離不開(kāi)計(jì)算機(jī)的相關(guān)技術(shù)，控制技術(shù)也是越來(lái)越得到了廣泛認(rèn)可和應(yīng)用。這對(duì)于基于形狀的識(shí)別方法是共同的困境，并可以通過(guò)對(duì)不同的視點(diǎn)目標(biāo)模型的集合建模的目標(biāo)類克服。為了獲得目標(biāo)實(shí)例的缺失部分，空間關(guān)系被利用進(jìn)來(lái)。其結(jié)果示于圖 10，表明該檢測(cè)精度可以提高使用有和不具有空間環(huán)境。 我們?cè)u(píng)價(jià)性能時(shí)輪廓的采樣數(shù)設(shè)定為 50， 100， 150，和 200，并將結(jié)果顯示在圖 9 中。比較清楚地顯示多個(gè)分割的優(yōu)勢(shì)。 本科畢業(yè)設(shè)計(jì)論文 8 圖 7 檢測(cè)結(jié)果 （ a）飛機(jī)的樣本圖像 (b) 沒(méi)有空間環(huán)境探測(cè)結(jié)果 (c) 檢測(cè)結(jié)果與空間情境模型 本科畢業(yè)設(shè)計(jì)論文 9 圖 8 我們的飛機(jī)準(zhǔn)確檢測(cè)算法的結(jié)果，在第一和第三行包括一些示例圖像。我們觀察到，我們的方法可以達(dá)到很好的性能，甚至在某些困難的情況下，如在目標(biāo)和陰影效果的外觀的可變性。所提出的方法還提供了有希望的結(jié)果（參照?qǐng)D 6的（ b）的例子）。然后，檢測(cè)被 標(biāo)記為真陽(yáng)性（ TP），如果區(qū)域（目標(biāo)）同意標(biāo)準(zhǔn)的面積（地面實(shí)況） )a rg_( )a rg_( ??? etttr ut hgr ou ndA r e a etttr ut hgr ou ndA r e a (10) 每幅圖像的精度（ FPPI），用于檢測(cè)正面圖線分別示于圖 9和圖 10，其中精度 = TP /（ TP + FP） ，這是真陽(yáng)性的所檢測(cè)的元素的總數(shù)量除以數(shù)和 FPPI= FP / NP，這是誤報(bào)由測(cè)試圖像的總數(shù)量除以數(shù)。有 120張圖片約 200200像素到 600500像素的大小為 60厘米 /像素的分辨率。這個(gè)程序可以有效地利用動(dòng)態(tài)規(guī)劃來(lái)實(shí)現(xiàn)。在接下來(lái)的兩個(gè)步驟之間的組合方案交替。準(zhǔn)則函數(shù) λ的值與零進(jìn)行比較。匹配算法記錄在第二節(jié) C。 對(duì)空間關(guān)系中，面積比 ij? 是用在下面梯形隸屬函數(shù)： 1） 不鄰接 ????? ?? o th e rw iseif ijijD is 001)(??? (5) 2） 接壤 ??????????????o the r w is eififijijijijB o r0)( ????? (6) 3） 相交 ???????????????ijijijijI n tififif????? (7) 本科畢業(yè)設(shè)計(jì)論文 6 4) 包圍 ????? ?? ???o th e r w is eififijijijSur0???? (8) 每個(gè)區(qū)域?qū)梢苑峙淠撤N程度的利用這些空間關(guān)系函數(shù)的空間關(guān)系。 由索伊等人的作品啟發(fā)。該段選擇需要大約 秒的標(biāo)準(zhǔn)個(gè)人電腦的英特爾酷睿 i5，在 GHz 的 2 GB 的 RAM 運(yùn)行。 圖 4 區(qū)域?qū)Φ目臻g關(guān)系 (a) 不鄰接 (b) 接壤 （ c）相交 （ d）包圍 本科畢業(yè)設(shè)計(jì)論文 5 給定兩個(gè)輪廓 P 和 Q ,例如 },1,{ pi