基于图像分割中轮廓提取的目标检测方法

发布时间：2025-05-27 22:24

　　多目标检测与分类需要从图像的复杂背景下检测和分类出各类目标,它与目标检测和图像分割都有着密切的联系。目前,通过卷积神经网络(Convolutional Neural Networks,CNN)进行目标检测有了新的突破和研究方向,出现了一系列基于CNN的多目标检测与分类方法。其中,较为准确和快速的一类目标分类检测方法是在卷积神经网络的基础上增加区域候选网络(Region Proposal Networks,RPN)。这类方法使用区域卷积神经网络、空间金字塔池化(Spatial Pyramid Pooling,SPP)以及快速的区域卷积网络等技术,在检测上的多项指标上取得了显著的进步,使得检测速度基本达到了实时的要求,同时精度也得到大幅的提升。但这类多目标的检测和分类方法都是基于分类后的矩形框对所检测的目标进行标注的,这种做法虽然在速度和精度上有所提升。但不能精确地标定各个目标位置和形状轮廓;为了增加检测精度,基于矩形框的方法需要设有边界框回归学习的过程,这增加了整个卷积网络的时间成本;另外,这类方法对于各类小目标的检测效果并不理想。在图像的分割上目前主要是通过卷积网络提取图像特征,再通过对...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 引言
    1.1 研究背景及意义
    1.2 问题的提出
    1.3 文献综述
    1.4 本文的研究方法
    1.5 本文的结构
第2章 目标检测与图像分割
    2.1 目标检测和分类的发展
    2.2 目标检测和分类的研究
        2.2.1 基于候选区域的检测方法
        2.2.2 基于一体化卷积网络的检测方法
    2.3 图像分割的发展
    2.4 图像分割方法
    2.5 本章小结
第3章 轮廓提取方法
    3.1 概述
    3.2 传统轮廓提取方法
        3.2.1 Snake模型
        3.2.2 水平集分割方法
        3.2.3 其他轮廓提取方法
    3.3 传统目标轮廓提取方法的实验和结果分析
        3.3.1 梯度矢量流模型实验和结果分析
        3.3.2 水平集方法实验和结果分析
        3.3.3 轮廓提取方法分析
    3.4 本章小结
第4章 候选区的获取
    4.1 引言
    4.2 卷积神经网络结构
    4.3 候选区域获取
    4.4 语义分割图获取
    4.5 实验和结果分析
    4.6 本章小结
第5章 图像分割中提取目标轮廓
    5.1 图像分割
        5.1.1 语义分割网络结构
        5.1.2 上采样与反卷积
        5.1.3 条件随机场
    5.2 提取目标轮廓
    5.3 实验和结果分析
    5.4 本章小结
第6章 总结和展望
    6.1 本文工作总结
    6.2 下一步研究计划
参考文献
致谢



本文编号：4047637