文献综述
1.1研究背景及意义目标发现与定位战场指挥作战的重要依据。
在迷彩伪装普及的今天实现对战场伪装目标的可靠检测与定位，已成为复杂战场环境下进行决策的重要依据[5]。
在真实场景下，迷彩伪装目标与周围环境高度相似，且目标的尺寸相对较小，因此迷彩伪装目标检测比通用的检测任务更具有挑战性。
同时，随着深度学习技术的兴起，卷积神经网络在目标识别中的大规模运用，对抗神经网络的传统迷彩的进一步发展。
伪装后的目标能够与自然背景较好的融合，有着较好的伪装效果，常规侦测设备难以发现和识别。
在自然图像中，由于背景的复杂化性与环境的不确定性，图像需要提取的信息会受到无用信息的干扰，对于具有伪装色的目标，例如枯叶蝶与采取伪装的车辆，坦克的识别需要提出更好的的方法。
因此采用背景抑制的深度网络解决真实场景中背景与物体相似情况下物体检测问题具有重要意义。
传统目标检测算法是基于图像处理，一般分为四个阶段，首先通过滑动窗口的方式在目标图像上产生侯选框，然后采用尺度不变特征变化(SIFT),Harr-like或方向梯度直方图(HOG)等方法提取特征，再利用可变形部件模型(DPM),Adaboost或支持向量机(SVM)等对其进行分类，最后采用非极大值抑制(NMS)对结果进行修正和优化[6,7]。
传统目标检测算法在特定场景下有着不错的性能，但是并不能适应现在目标检测任务要求。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
