三维目标检测在实际工程应用中的难点在于深度传感器价格高、点云质量差、缺少丰富的纹理信息、三维数据训练集制作困难。对此本文提出一种基于实例分割的三维目标位置估计方法, 可以用在多种传感器中, 如相机-雷达, 双目相机等。首先在二维图像下对目标进行实例分割, 根据目标的分割掩码提取出目标的深度图像与RGB图像融合转化为粗略点云, 最终进行异常噪声点去除, 得到精细的目标点云。在KITTI数据集上进行了测试, 平均精度值(AP)可以达到50%, 表明该方法可以准确地估计到目标位置信息。本文提出的方法无需三维数据训练集, 可以快速准确地进行三维物体点云的提取, 仅使用二维检测器就可以达到三维物体检测的目的。

近年来, 航空光学成像技术快速发展, 机载图像处理系统对于目标检测精度和检测速度的要求越来越高, 传统的目标检测算法已经无法满足要求。与此同时, 基于深度学习的目标检测算法凭借更优的性能表现得到了学术界的广泛关注。但这类算法往往参数较多, 时间复杂度高且移动端移植困难。针对上述问题, 本文提出了一种基于Yolo V3算法的MPSOC平台实现方案。利用改进的k均值聚类算法获取新的初始锚框, 之后通过改变特征图的大小提高算法对小目标的检测精度, 通过基于敏感度的剪枝方法压缩算法大小, 最后利用VISDRONE数据集在MPSOC平台进行了验证。实验结果表明: 改善的Yolo算法的MAP提高了1.3%, 误检率也得到了极大降低。算法经过压缩后, 检测速度提高了1倍, 体积仅为原来的37%, 基本满足了对航空图像目标检测的设计要求, 同时为深度学习算法在MPSOC中实现提供了可行的解决方案。

舰船是重要的海上目标, 航空遥感影像的实时舰船目标检测在民用领域和**安全中均具有十分重要的意义和价值。以工程应用为背景, 重点对航空遥感影像的海陆分割和舰船检测两方面问题展开研究。利用灰度信息对遥感影像进行自适应阈值分割, 结合形态学算子和孔洞填充技术, 实现海陆分割; 利用舰船几何结构特征进行直线段检测, 结合K均值密度聚类技术, 完成舰船目标检测。实验结果表明: 针对海陆分割任务, 陆地检测率为95.8%, 陆地检测错误率为5.7%, 陆地检测正确率为94.4%; 针对舰船目标检测任务, 检测准确率为94.1%, 检测虚警率为3.9%。可以较好地将影像中的海洋区域和陆地区域分割成两个相互独立的部分, 分割效果理想; 同时可以快速地完成舰船目标检测, 准确率高, 虚警率低, 具有运算简单、易于工程实现等特点。

针对附加像差为离焦模式的相位差异波前探测技术在实际工程应用中遇到的各类误差问题，以探测拼接型望远镜的共相误差为例，通过数值仿真对焦面位置误差、离焦量误差、图像对准误差、曝光延时误差及噪声误差对波前探测精度的影响进行了定量分析。并提出了通过改进相位差异算法进行消除相应误差项的方法，使得波前探测的均方根误差分别由校正前的0.06λ、0.0581λ、0.0754λ、0.0796λ、0.0737λ 分别下降为5.8834 × 10^-4 λ、6.664 × 10^-4 λ、3.5853 × 10^-5 λ、6.1837 × 10^-5 λ、0.0013λ, 且对于各误差项在较大误差范围内，仍可以保持上述相同量级的波前探测精度。结果表明:该方法可以有效地消除误差,大幅度提高波前传感精度，对于相位差异波前探测技术在实际工程中的应用具参考意义。

提出一种改进的尺度不变特征变换(SIFT)算法, 用于实现多变背景下的快速目标识别。首先, 构建目标图像尺度空间, 提取SIFT特征点并将其按大小分类, 目标识别时只需比较同一类型的特征点。然后, 由SIFT特征点子区域方向直方图计算得到4个新角度用于代表特征点的方向信息, 并且在目标识别时根据角度信息限制特征点匹配范围, 从而提高SIFT算法的运算速度。最后, 计算目标图像和待识别图像之间的尺度因子, 在尺度因子约束条件下进行目标特征点匹配, 从而有效地保证正确匹配数量, 提高目标识别的鲁棒性。实验结果表明: 当目标在待识别图像中发生局部遮挡、旋转、尺度变化或者弱光照等情况下, 改进的SIFT算法能够完成多变背景下快速目标识别任务, 平均识别速度提升了40%。