面向要地安全防护的空中“低小慢”目标搜索跟踪技术
发布时间：2021-03-19 17:21
随着遥感图像处理技术的发展,对空中“低小慢”目标的搜索与跟踪具有迫切的军民用需求和广泛的应用前景,已成为各个国家重点研究的问题之一。随着人工智能的广泛应用,针对普通遥感视频的目标跟踪技术已相对成熟。然而,由于“低小慢”目标所占像素较少、易受周围相似目标干扰、特征不易提取等问题的存在,目前主流方法还不能对该类目标提供有效的解决方案。本文针对相关难点,利用混合对抗网络、时空残差模块、显著性增强机制、上下文感知相关滤波模块等方法,构建了一套完整的“低小慢”目标搜索跟踪软件,对空中“低小慢”目标的相关搜索跟踪研究进行展开。本文主要可以凝练为以下几个方面:首先,本文提出一种基于混合对抗网络的空中“低小慢”目标样本增广方法,针对少样本的“低小慢”目标存在干扰的问题,本方法利用多级金字塔对其进行多尺度、多旋转角度的样本增广,通过一系列的形态学方法对所获得的样本切片进行处理,为后续网络的训练提供有效的数据支撑。此方法可基于先验信息,对稀有的空中“低小慢”干扰目标进行有效的辨识,并通过实验验证了所提出混合对抗网络的有效性。其次,本文针对网络层的结构,构建了一种有效的显著性增强机制。针对“低小慢”目标具有...
【文章来源】：北方工业大学北京市
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
文献[7]
第一章绪论5图1-2卷积神经网络结构示意图在图1-2中，卷积层利用局部连接方式，使卷积核按照步长值遍历全图，从而减少了神经元数目。池化层的作用主要为防止过拟合及删除冗余的特征，可以看做是对卷积层所提取特征的统计。全连接层在整个卷积神经网络模型中，起到“分类器”的作用，用于将网络所学到特征映射到标记空间。该类方法适合于特定场景的目标跟踪，可以提高该场景下的跟踪效率。然而，由于“低小慢”目标在运动过程中自身姿态与背景信息复杂多变，难以实现稳定跟踪。目前已有方法特别是基于深度学习类的方法难以在增强目标特性与网络结构深度设计策略上平衡考虑，兼顾性能和效率。这类方法大部分采用深层次的网络结构，难以在时效性上得到保障，且无监督学习的稳定性不足，对于高质量样本的离线训练要求依然存在。另外，在面向要地安全防护的实际应用中，由于蝙蝠、飞鸟等易混动目标干扰的出现易造成跟踪目标丢失，且目前已有深度学习类方法在动态帧背景信息学习时尚缺乏有效的手段。其次，针对“低小慢”目标的帧间搜索技术可以分为以下两类：第一类方法是滤波估计类方法。该类方法通过建立目标运动的数学方程，利用数据估计方法对目标运动状态进行预判，然后采用粒子滤波等方法获取真实目标位置。文献[13]提出一种基于引导滤波与时空上下文的红外弱小目标捕获技术，为了解决传统目标跟踪算法中未充分利用目标与局域背景的时间和空间相关性，从而导致其不能区分弱小目标和背景边缘，跟踪过程中出现偏移现象的问题。该技术利用引导滤波对局部区域做预处理，保留上下文区域边缘的同时消除红外图像的小噪声，然后结合“置信图”和时空上下文算法计算得出当前帧弱小目标的实际位置。并通过实验论证了该方法在主观和客观评价指标上?
第一章绪论6立特征模型和匹配模板、相似性度量等技术对当前帧图像中目标的疑似位置进行评估，寻找最佳的匹配结果。模板匹配类方法的示意图如图1-3所示。图1-3模板匹配类方法示意图典型的模板匹配类方法有：基于改进Mean-Shift算法的红外小目标跟踪[20]。该方法聚焦于复杂大视场环境中小目标体量孝机动性大的问题，结合图像的统计特性，设计了一种非线性自适应算法对图像预处理，并将梯度直方图用于协助对目标进行特征描述，最后借助Mean-Shift算法预测目标在视场中的位置。通过实验发现，文中所提出的算法框架不仅可以高准确性的跟踪目标，更可以降低目标与跟踪窗口的相对晃动，从而增强了目标跟踪算法的鲁棒性，提高了在实际场景中应用的能力。可是，在空中“低小慢”目标运动过程中，场景具有视场大、复杂性高的难点，且目标弱小，较难发现，目前已有方法仅基于特征差异性分析的方法难以准确提取弱小目标的表观特征。此外，虽然深度学习类的目标跟踪算法具有较强大的特征感知能力，但对于低分辨率的弱小目标而言，多层级构造的局限性严重制约了其性能发挥。另一方面，该场景中含有多种相似的遮挡物体，使大量虚警目标难以有效剔除，目前已有方法对弱小目标的特征增强手段有限。1.2.3研究现状小结根据上述对现状的总结可以发现，随着平台处理能力的提升与人工智能技术的发展，“低小慢”目标的搜索跟踪已经受到了越来越多的重视。同时，随
【参考文献】：
期刊论文
[1]基于相关滤波和卷积神经网络的目标跟踪算法[J]. 王雪丽,李昕. 重庆工商大学学报(自然科学版). 2020(01)
[2]基于残差网络编解码的磁共振图像修复算法[J]. 刘哲,刘剑毅,刘凯,彭召. 计算机工程与设计. 2020(01)
[3]基于卷积网络的目标跟踪应用研究[J]. 赵春梅,陈忠碧,张建林. 光电工程. 2020(01)
[4]基于深度残差网络图像分类算法研究综述[J]. 赵志成,罗泽,王鹏彦,李健. 计算机系统应用. 2020(01)
[5]基于多尺度残差网络和小波变换的LPI雷达信号识别[J]. 刘赢,田润澜,董会旭. 电讯技术. 2019(12)
[6]基于多分辨率残差网络的心肌梗死定位识别研究[J]. 齐继,蒋华,张瑞卿,沈阳,佟彦妮,沙宪政,常世杰. 生物医学工程研究. 2019(04)
[7]条件生成对抗网络的低照度图像增强方法[J]. 黄鐄,陶海军,王海峰. 中国图象图形学报. 2019(12)
[8]一种改进的基于孪生卷积神经网络的目标跟踪算法[J]. 任珈民,宫宁生,韩镇阳. 小型微型计算机系统. 2019(12)
[9]面向空中目标作战意图分析的标准化全连接残差网络模型[J]. 翟翔宇,杨风暴,吉琳娜,吕红亮,白永强. 国外电子测量技术. 2019(12)
[10]基于动态模式和卷积特征的单目标跟踪算法[J]. 张博言,钟勇,李振东. 西北工业大学学报. 2019(06)
本文编号：3089932
【文章来源】：北方工业大学北京市
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
文献[7]
第一章绪论5图1-2卷积神经网络结构示意图在图1-2中，卷积层利用局部连接方式，使卷积核按照步长值遍历全图，从而减少了神经元数目。池化层的作用主要为防止过拟合及删除冗余的特征，可以看做是对卷积层所提取特征的统计。全连接层在整个卷积神经网络模型中，起到“分类器”的作用，用于将网络所学到特征映射到标记空间。该类方法适合于特定场景的目标跟踪，可以提高该场景下的跟踪效率。然而，由于“低小慢”目标在运动过程中自身姿态与背景信息复杂多变，难以实现稳定跟踪。目前已有方法特别是基于深度学习类的方法难以在增强目标特性与网络结构深度设计策略上平衡考虑，兼顾性能和效率。这类方法大部分采用深层次的网络结构，难以在时效性上得到保障，且无监督学习的稳定性不足，对于高质量样本的离线训练要求依然存在。另外，在面向要地安全防护的实际应用中，由于蝙蝠、飞鸟等易混动目标干扰的出现易造成跟踪目标丢失，且目前已有深度学习类方法在动态帧背景信息学习时尚缺乏有效的手段。其次，针对“低小慢”目标的帧间搜索技术可以分为以下两类：第一类方法是滤波估计类方法。该类方法通过建立目标运动的数学方程，利用数据估计方法对目标运动状态进行预判，然后采用粒子滤波等方法获取真实目标位置。文献[13]提出一种基于引导滤波与时空上下文的红外弱小目标捕获技术，为了解决传统目标跟踪算法中未充分利用目标与局域背景的时间和空间相关性，从而导致其不能区分弱小目标和背景边缘，跟踪过程中出现偏移现象的问题。该技术利用引导滤波对局部区域做预处理，保留上下文区域边缘的同时消除红外图像的小噪声，然后结合“置信图”和时空上下文算法计算得出当前帧弱小目标的实际位置。并通过实验论证了该方法在主观和客观评价指标上?
第一章绪论6立特征模型和匹配模板、相似性度量等技术对当前帧图像中目标的疑似位置进行评估，寻找最佳的匹配结果。模板匹配类方法的示意图如图1-3所示。图1-3模板匹配类方法示意图典型的模板匹配类方法有：基于改进Mean-Shift算法的红外小目标跟踪[20]。该方法聚焦于复杂大视场环境中小目标体量孝机动性大的问题，结合图像的统计特性，设计了一种非线性自适应算法对图像预处理，并将梯度直方图用于协助对目标进行特征描述，最后借助Mean-Shift算法预测目标在视场中的位置。通过实验发现，文中所提出的算法框架不仅可以高准确性的跟踪目标，更可以降低目标与跟踪窗口的相对晃动，从而增强了目标跟踪算法的鲁棒性，提高了在实际场景中应用的能力。可是，在空中“低小慢”目标运动过程中，场景具有视场大、复杂性高的难点，且目标弱小，较难发现，目前已有方法仅基于特征差异性分析的方法难以准确提取弱小目标的表观特征。此外，虽然深度学习类的目标跟踪算法具有较强大的特征感知能力，但对于低分辨率的弱小目标而言，多层级构造的局限性严重制约了其性能发挥。另一方面，该场景中含有多种相似的遮挡物体，使大量虚警目标难以有效剔除，目前已有方法对弱小目标的特征增强手段有限。1.2.3研究现状小结根据上述对现状的总结可以发现，随着平台处理能力的提升与人工智能技术的发展，“低小慢”目标的搜索跟踪已经受到了越来越多的重视。同时，随
【参考文献】：
期刊论文
[1]基于相关滤波和卷积神经网络的目标跟踪算法[J]. 王雪丽,李昕. 重庆工商大学学报(自然科学版). 2020(01)
[2]基于残差网络编解码的磁共振图像修复算法[J]. 刘哲,刘剑毅,刘凯,彭召. 计算机工程与设计. 2020(01)
[3]基于卷积网络的目标跟踪应用研究[J]. 赵春梅,陈忠碧,张建林. 光电工程. 2020(01)
[4]基于深度残差网络图像分类算法研究综述[J]. 赵志成,罗泽,王鹏彦,李健. 计算机系统应用. 2020(01)
[5]基于多尺度残差网络和小波变换的LPI雷达信号识别[J]. 刘赢,田润澜,董会旭. 电讯技术. 2019(12)
[6]基于多分辨率残差网络的心肌梗死定位识别研究[J]. 齐继,蒋华,张瑞卿,沈阳,佟彦妮,沙宪政,常世杰. 生物医学工程研究. 2019(04)
[7]条件生成对抗网络的低照度图像增强方法[J]. 黄鐄,陶海军,王海峰. 中国图象图形学报. 2019(12)
[8]一种改进的基于孪生卷积神经网络的目标跟踪算法[J]. 任珈民,宫宁生,韩镇阳. 小型微型计算机系统. 2019(12)
[9]面向空中目标作战意图分析的标准化全连接残差网络模型[J]. 翟翔宇,杨风暴,吉琳娜,吕红亮,白永强. 国外电子测量技术. 2019(12)
[10]基于动态模式和卷积特征的单目标跟踪算法[J]. 张博言,钟勇,李振东. 西北工业大学学报. 2019(06)
本文编号：3089932
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3089932.html
