基于深度卷积神经网络的飞行器图像识别算法研究

发布时间：2020-10-19 10:57

　　 在现代战场环境中,敌方目标探测和识别一直是一个非常重要的问题。传统目标识别方案主要依靠雷达系统、毫米波、激光等手段区分敌我目标,容易受电磁干扰影响且成本较高。近年来,随着深度学习理论的日趋成熟,各种基于深度学习的应用在各个不同领域层出不穷。卷积神经网络作为目前计算机视觉领域最有效的手段之一,在物体分类、图像分割等问题中都有非常广泛的应用。为此,本文开展了一系列基于深度学习的飞行器图像识别算法研究。本文基于TensorFlow研究飞行器识别的卷积神经网络及其算法。文中算法无需将目标物体从背景中分离出来,而将飞行器的目标识别任务分成两个部分:候选区域生成和飞行器分类。对于候选区域生成问题,借鉴faster-rcnn的思路提出并构建一个候选区域提取网络。该网络通过对各幅图像批量生成候选框,并对候选框先用卷积神经网络优化区域位置和尺寸得到分类概率,再生成代价函数后通过反向求导优化网络参数。另外,文中基于层次聚类提出一种候选区域筛选算法,通过预先筛选候选区域大幅降低测试运行时间。在飞行器分类方面,提取几类常见的飞行器目标,基于AlexNet设计图像分类网络,且将原网络中的池化层用金字塔池化层替代,解决数据集中图像大小不一的问题;并使用迁移学习的方法解决有标签样本稀缺的情况下网络训练困难的问题;通过数据增强、批归一化等措施进一步改善分类效果。最后,文中进行基于深度学习的飞行器目标识别网络训练和实验验证研究。文中从网络中获取了 ImageNet图像数据库中5类飞行器图像,对各类图像分别做图像及候选区域标注,并通过图像翻转和图像对比度变换等措施进行数据增强,进而获得实验所需的训练集和测试集。实验测试结果表明采用文中算法生成的候选区域基本符合实际情况,并使得飞行器的分类准确率达到90%以上,且运行速度相对于传统算法有较大提升。
【学位单位】：浙江大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：E926.4
【文章目录】：
致谢
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景
    1.2 国内外研究现状
        1.2.1 图像分类算法研究现状
        1.2.2 深度学习研究现状
    1.3 本文的组织和架构
第2章 图像分类算法
    2.1 概述
    2.2 图像分类常用特征
        2.2.1 HOG算子
        2.2.2 SIFT算子
        2.2.3 Haar-like算子
    2.3 词袋模型
    2.4 深度卷积神经网络
    2.5 TensorFlow介绍
    2.6 本章小结
第3章 基于卷积神经网络的飞行器图像识别算法
    3.1 算法概述
    3.2 图像分类网络
    3.3 候选区域提取
        3.3.1 选择性搜索(selective search)
        3.3.2 区域候选网络(Regional Proposal Network, RPN)
    3.4 算法优化与改进
        3.4.1 数据增强
        3.4.2 批次规则化(Batch Normalization, BN)
        3.4.3 基于层次聚类的候选区域预筛选
    3.5 本章小结
第4章 实验设计与结果分析
    4.1 实验概述
        4.1.1 运行环境
        4.1.2 评判指标
    4.2 图像数据采集和预处理
    4.3 代码结构
    4.4 实验结果与分析
        4.4.1 分类网络实验结果
        4.4.2 候选区域提取实验结果
    4.5 本章小结
第5章 总结与展望
    5.1 本文工作总结
    5.2 未来研究工作
参考文献

【相似文献】

相关期刊论文 前10条

1 王宏;莫裕孟;尹莉军;向时平;;野外复杂背景下轻武器射击目标的图像识别算法[J];火力与指挥控制;2009年07期

2 蔡政;丁宣浩;陈丽霞;刘忆宁;;敏感图像识别算法研究[J];企业科技与发展;2012年05期

3 王斌,罗志勇,刘栋玉,吕新民;带钢表面重皮缺陷在线图像识别算法研究[J];华中理工大学学报;1996年08期

4 朱华;应保胜;;钢坯表面裂纹的图像识别算法研究[J];机械设计与制造;2013年01期

5 程咏梅,潘泉,张洪才,王刚;信息融合图像识别算法及其在三维飞机图像识别中的应用研究[J];航空学报;2004年02期

6 唐盛;陈思平;尹立东;刘国文;;一种快速全自动超声子宫节育环图像识别算法[J];深圳大学学报(理工版);2008年03期

7 彭博;蒋阳升;;路面裂缝图像识别算法研究进展[J];中外公路;2013年06期

8 张冬娟;唐万有;朱捷航;;烫印在线检测图像识别算法的研究[J];包装工程;2013年05期

9 段思迪;;纸币清分图像识别算法研究[J];盐城工学院学报(自然科学版);2007年03期

10 陈海霞,苑森淼,姜凯;全自动芯片键合机中多目标图像识别算法[J];仪器仪表学报;2005年10期

相关硕士学位论文 前10条

1 王银立;输电线路导线断股及绝缘子自爆的图像识别算法研究[D];电子科技大学;2014年

2 胡伟;一种新型的太阳能硅片数片机[D];中国计量学院;2015年

3 王静;基于ICA和ELM的图像识别算法研究[D];中国海洋大学;2015年

4 傅天驹;基于深度学习的林火图像识别算法及实现[D];北京林业大学;2016年

5 胡惠贤;基于异构平台的视频图像识别算法研究与实现[D];华南理工大学;2016年

6 陈文一;动车组异常图像识别算法及应用研究[D];华中科技大学;2015年

7 程嘉晖;基于深度卷积神经网络的飞行器图像识别算法研究[D];浙江大学;2017年

8 王明潇;图像识别算法研究及其智能终端上的实现[D];北京邮电大学;2010年

9 张绿云;基于奇异值分解与正交可判别向量的图像识别算法研究[D];广西师范大学;2013年

10 魏正宜;纸币图像识别算法的研究[D];哈尔滨理工大学;2009年

本文编号：2847109