特征融合的卷积神经网络多波段舰船目标识别

发布时间：2018-06-25 22:41

  本文选题：机器视觉 + 目标识别　； 参考：《光学学报》2017年10期

【摘要】：针对海面背景舰船目标单一波段图像识别率低的问题,提出了一种基于卷积神经网络(CNN)的融合识别方法。该方法提取可见光、中波红外和长波红外3个波段舰船目标特征进行融合识别。模型主要分为3个步骤:通过设计的6层CNN,同时对三波段图像进行特征提取;利用基于互信息的特征选择方法对串联的三波段特征向量按照重要性进行排序,并按照图像清晰度评价指标选取固定长度的特征向量作为目标识别依据;通过额外的2个全连接层和输出层进行回归训练。采用自建的三波段舰船图像数据库进行模型的训练和测试,共包含6类目标,5000余张图像。实验结果表明,本文方法识别率达到84.5%,与单波段识别方法相比有明显提升。
[Abstract]:A fusion recognition method based on convolution neural network (CNN) is proposed to solve the problem of low recognition rate of a single band image of a ship target in sea background. This method extracts the visible light, medium wave infrared and long wave infrared three band ship target features for fusion recognition. The model is mainly divided into three steps: feature extraction of the three-band image is carried out by the designed six-layer CNN, and the series three-band feature vectors are sorted according to the importance by using the feature selection method based on mutual information. The feature vector of fixed length is selected as the basis of target recognition according to the image definition evaluation index, and the regression training is carried out through two additional full connection layers and output layers. The model is trained and tested by using the three band ship image database, which contains more than 5000 images of 6 kinds of targets. The experimental results show that the recognition rate of this method is 84.5, which is obviously higher than that of single band recognition method.
【作者单位】： 海军航空工程学院控制工程系;中国国防科技信息中心;
【基金】：国家自然科学基金(61303192)
【分类号】：TP183;TP391.41

【相似文献】

相关期刊论文 前10条

1 韩艳春;李智兰;曾宪文;;目标识别与分类方法[J];军事通信技术;2003年01期

2 杨建勋,史朝辉;基于模糊综合函数的目标识别融合算法研究[J];火控雷达技术;2004年04期

3 李彦鹏,施福忠,黎湘,庄钊文;基于模糊综合评判的目标识别效果评估[J];计算机应用研究;2005年03期

4 左峥嵘,张天序;集成证据提高目标识别性能的方法研究[J];华中科技大学学报(自然科学版);2005年03期

5 李彦鹏,黎湘,庄钊文;一种应用模糊聚类分析的目标识别效果评估方法[J];电子对抗技术;2005年03期

6 盖明久;吕世良;时宝;;一种概率更新方法及在目标识别中的应用[J];海军航空工程学院学报;2006年05期

7 张平定;王海军;王睿;;一种基于聚类思想的目标识别新方法[J];空军工程大学学报(自然科学版);2006年02期

8 黄瑶;熊和金;;目标识别的灰关联方法研究[J];湖南农业大学学报(自然科学版);2009年S1期

9 王丹;韩惠蕊;田淞;臧雪柏;宋炳强;;基于tree part-based模型的目标识别和定位[J];吉林大学学报(工学版);2012年S1期

10 ;用于图象目标识别的神经网络方法[J];电脑开发与应用;1995年02期

相关会议论文 前10条

1 郑援;胡成军;;基于数据融合的鱼雷目标识别[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

2 李夕海;赵克;慕晓冬;刘代志;;目标识别中的特征相空间吸引子分析[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

3 冯杰;盖强;古军峰;;模糊聚类分析方法在海上目标识别中的应用[A];第二届全国信息获取与处理学术会议论文集[C];2004年

4 赵克;刘代志;慕晓东;苏娟;;目标识别的特征量约束[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];1999年

5 李正东;陈兴无;宋琛;何武良;;多传感器的目标识别[A];中国工程物理研究院科技年报（1999）[C];1999年

6 俞鸿波;赵荣椿;;三维空间目标识别概述[A];信号与信息处理技术——第一届信号与信息处理联合学术会议论文集[C];2002年

7 曹健;陈红倩;毛典辉;李海生;蔡强;;基于局部特征的图像目标识别问题综述[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

8 姚志军;韩秋蕾;;一种新的基于少量样本的目标识别与分割方法[A];第九届全国信息获取与处理学术会议论文集Ⅱ[C];2011年

9 刘冰;罗熊;刘华平;孙富春;;光学与深度特征融合在机器人场景定位中的应用[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

10 刘兵;司秉玉;;基于图像区域搜索法的彩色球目标识别与跟踪[A];中国仪器仪表学会第五届青年学术会议论文集[C];2003年

相关重要报纸文章 前1条

1 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

相关博士学位论文 前10条

1 韩静;基于仿生视觉模型和复杂信息学习的多光谱夜视目标识别技术[D];南京理工大学;2014年

2 黄璇;多源引导信息融合及其关键技术研究[D];中国科学院研究生院(长春光学精密机械与物理研究所);2016年

3 舒锐;卫星目标识别与特征参数提取方法研究[D];哈尔滨工业大学;2010年

4 贾宇平;基于信任函数理论的融合目标识别研究[D];国防科学技术大学;2009年

5 张祥合;复杂场景中目标识别与分类的仿生原理和方法[D];吉林大学;2012年

6 王海罗;基于视觉感知的无人机目标识别与跟踪技术研究[D];北京理工大学;2015年

7 李晓刚;基于神经网络的码垛机器人视觉位姿测量及伺服控制研究[D];北京林业大学;2015年

8 户保田;基于深度神经网络的文本表示及其应用[D];哈尔滨工业大学;2016年

9 沈旭;基于序列深度学习的视频分析：建模表达与应用[D];中国科学技术大学;2017年

10 谢妤婵;视觉目标识别与三维定位关键技术的研究[D];天津大学;2009年

相关硕士学位论文 前10条

1 许俊峰;基于模型的任意视点下三维目标识别研究[D];南京航空航天大学;2015年

2 王玉君;基于远红外热像仪的地面机动目标识别[D];沈阳理工大学;2015年

3 周伟峰;基于神经网络的单目机器人目标识别定位研究[D];安徽工程大学;2015年

4 王翔;基于局部神经反应的目标识别研究[D];华中师范大学;2015年

5 刘巍;基于非均匀采样图像的目标识别与跟踪算法研究[D];北京理工大学;2015年

6 程子伦;基于ARM嵌入式平台的视频目标识别与跟踪系统的研究与实现[D];河北科技大学;2015年

7 李元伟;面向智能交通的目标识别关键技术研究[D];国防科学技术大学;2013年

8 张伟鹏;利用UWB信号对森林中入侵目标识别的研究[D];北京邮电大学;2015年

9 孔思维;基于目标识别的运动棒材在线计数[D];济南大学;2015年

10 降小龙;基于语义结构和视觉焦点的场景目标识别[D];中北大学;2016年

，

本文编号：2067822