复杂云层背景下的空中红外小目标检测算法研究
发布时间：2021-06-25 04:23
随着红外成像技术与计算机视觉算法的高速发展以及作战环境的日益复杂,红外制导技术正在逐渐取代雷达、激光等主动探测的制导技术。作为红外制导技术中的重要一环,红外小目标检测技术一直以来都是国内外学者研究的热点课题。而由于红外小目标成像距离远,目标在图像中一般呈现较小的斑点,缺乏形状、纹理等特征,且红外图像中易出现云层、海浪等复杂场景,提升了检测难度,因此,对红外小目标的检测方法的研究仍是一项充满挑战性的工作。本文研究的课题是复杂云层背景下的空中红外小目标检测方法,旨在设计一种在复杂场景下具有良好的检测性能的目标检测算法,且为满足实际应用对算法实时性的要求,算法应能适应于FPGA（Field-Programmable Gate Array）处理器实现硬件加速。在对传统算法深入研究的基础上,本文以基于人类视觉系统的方法作为研究方向,其具有检测效果较好且计算结构简单的优点。本文主要工作如下:针对基于局部对比度测量的LCM（Local Contrast Measure）算法在复杂云层背景下对背景抑制及目标增强能力不足的问题,本文通过深入分析红外图像中局部区域的对比度特性,提出一种基于方向梯度增强的改...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
卷积神经网络典型结构
图 4-11 红外小目标分类网络训练过程Fig4-11 Training Process of Infrared Small Target Classification Network.4.3 网络性能对比与分析在红外小目标分类网络设计过程中，借鉴了 SqueezeNet 及 Cifar-10 的网型结构进行设计。为说明本文网络改进的有效性，将 SqueezeNet 的输入图式由 227×227×3 改为 32×32×1，并将 SqueezeNet 及 Cifar-10 网络的分类数为 2，将三种网络及组合特征前的红外小目标分类网络在本文训练集上进行，并将四种网络在验证集上的分类精度变化曲线绘制为对比图，如图 4-12。为方便表示，将红外小目标分类网络定义为 ISTC-Net(Infrared small tarlassification network)。图中，ISTC-Net 网络的稳定精度为 99.95%，SqueezeNet 网络的稳定精度9.35%，Cifar 网络的稳定精度为，没有组合层间信息的 ISTC-Net (ISTC-ithout fusion)网络的稳定精度为 97.35%。可以看出，四种网络对目标及云干景的分类准确率均很高，其中本文网络在红外小目标分类任务上适应性最好
图 4-12 四种网络的测试精度曲线对比图Fig4-12 Curve comparison of test accuracy of four networks在上述四种网络中，SqueezeNet 网络有 10 层卷积层，卷积层中最大通道 512(Conv9)，没有组合层间信息的 ISTC-Net 网络有 4 层卷积层，卷积层中通道数为 128(Fire3)，而 Cifar 网络仅有 3 层卷积层，卷积层中最大通道数4(Conv3)。三者的识别精度由高到底排列，可以看出，增加网络层数和增加卷的通道数在一定范围内可以增强网络的表达能力，但是卷积层及通道数过大增加网络冗余，导致过拟合，使其在测试集上的准确率下降。因此，针对不任务需要通过观察每次训练的结果，对网络结构不断调整才能够获得优越的性能。从图 4-11 中可以看出，组合 Fire2 层及 Fire3 层特征后的 ISTC 网络较单构的 ISTC-Net 的分类精度有明显提高，层间信息融合带来了 2.6%的准确率。然而，并不是参与信息融合的卷积层越多越好，融合更多的卷积层不会带确率的线性提升，反而会增加网络的计算量，特征融合模块(Feature fusiodule)采用不同卷积层的在验证集上测试的最高准确率如表 4-3 所示。
本文编号：3248484
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
卷积神经网络典型结构
图 4-11 红外小目标分类网络训练过程Fig4-11 Training Process of Infrared Small Target Classification Network.4.3 网络性能对比与分析在红外小目标分类网络设计过程中，借鉴了 SqueezeNet 及 Cifar-10 的网型结构进行设计。为说明本文网络改进的有效性，将 SqueezeNet 的输入图式由 227×227×3 改为 32×32×1，并将 SqueezeNet 及 Cifar-10 网络的分类数为 2，将三种网络及组合特征前的红外小目标分类网络在本文训练集上进行，并将四种网络在验证集上的分类精度变化曲线绘制为对比图，如图 4-12。为方便表示，将红外小目标分类网络定义为 ISTC-Net(Infrared small tarlassification network)。图中，ISTC-Net 网络的稳定精度为 99.95%，SqueezeNet 网络的稳定精度9.35%，Cifar 网络的稳定精度为，没有组合层间信息的 ISTC-Net (ISTC-ithout fusion)网络的稳定精度为 97.35%。可以看出，四种网络对目标及云干景的分类准确率均很高，其中本文网络在红外小目标分类任务上适应性最好
图 4-12 四种网络的测试精度曲线对比图Fig4-12 Curve comparison of test accuracy of four networks在上述四种网络中，SqueezeNet 网络有 10 层卷积层，卷积层中最大通道 512(Conv9)，没有组合层间信息的 ISTC-Net 网络有 4 层卷积层，卷积层中通道数为 128(Fire3)，而 Cifar 网络仅有 3 层卷积层，卷积层中最大通道数4(Conv3)。三者的识别精度由高到底排列，可以看出，增加网络层数和增加卷的通道数在一定范围内可以增强网络的表达能力，但是卷积层及通道数过大增加网络冗余，导致过拟合，使其在测试集上的准确率下降。因此，针对不任务需要通过观察每次训练的结果，对网络结构不断调整才能够获得优越的性能。从图 4-11 中可以看出，组合 Fire2 层及 Fire3 层特征后的 ISTC 网络较单构的 ISTC-Net 的分类精度有明显提高，层间信息融合带来了 2.6%的准确率。然而，并不是参与信息融合的卷积层越多越好，融合更多的卷积层不会带确率的线性提升，反而会增加网络的计算量，特征融合模块(Feature fusiodule)采用不同卷积层的在验证集上测试的最高准确率如表 4-3 所示。
本文编号：3248484
本文链接：https://www.wllwen.com/kejilunwen/jingguansheji/3248484.html
