基于深度学习的空中红外目标检测方法研究
发布时间：2021-01-10 19:24
近年来,随着多种多样、功能丰富的飞行器不断涌现,由其带来的安全和隐私方面的隐患也越来越得到重视。因此,开发针对空中目标的重点区域防护系统十分必要,而目标检测是该系统的重要组成部分。目标检测技术是计算机视觉领域的基础课题之一,同时也是一个热点,具有非常广阔的应用市场。如今,由于在图像分类研究领域广泛应用深度学习方法,促使目标检测技术取得了显著发展。但是,目前大多数基于深度学习的目标检测技术是针对可见光成像技术的,而针对红外成像技术的研究却很少。本研究希望通过应用深度学习技术为空中红外目标检测识别提供高效可行的解决思路与方案。相比其他目标,空中红外目标所处的空域背景较为简单平缓,而且目标成像较小,图像对比性较差、边缘模糊。准确、快速、可靠地检测到,并提取出空中红外目标,为后续处理赢得时间,是当前迫切需要解决的问题。本研究以空中目标的红外图像、高程-辐射强度信息等为数据源,提出了一种新型的基于深度学习的空中红外目标检测方法,提高了检测速度和精度,更好地满足了检测任务的需求。本文的主要研究内容归纳如下:（1）介绍了卷积神经网络的数学原理及当前主要的目标检测方法;对比地学习了众多经典的深度学习目...
【文章来源】：中国科学院大学(中国科学院长春光学精密机械与物理研究所)吉林省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
RCNN的计算流程
基于深度学习的空中红外目标检测方法研究4针对R-CNN模型运行速度慢和必须输入固定尺度图像等问题，He等人提出了空间金字塔池化(Spatialpyramidpooling,SPP)模型SPP-Net[16]。随后Girshick等人[12]对R-CNN和SPP-net两种模型进行了总结并改进，取其精华去其糟粕，提出了FastR-CNN模型。FastR-CNN模型是一种既应用了区域建议又能够边框回归的联合训练模型。近年来，Redmon等人[17]另辟蹊径从无区域建议方式着手，提出了一种新型的目标检测方法，称之为YOLO(Youonlylookonce)。YOLO模型不再使用选择搜索算法寻找候选区域，而是采用了空间限制的方式，这一改动大大减少了对同一目标的重复检测，使得模型检测效率显著提高，能够实现动态目标实时检测。但是，同基于候选区域的模型相比，YOLO模型的定位准确率低，并且召回率不高。针对第一代YOLO模型检测精度较低的问题，Liu等人[18]提出了既拥有较高的平均检测精度，又兼顾实时性的SSD模型。与第一代YOLO模型相比，SSD模型对于小尺寸图像和小目标的检测，效果比较好，输入VOC2007测试，图像平均检测精度能够达到75.1%以上。另一方面,Redmon等人[19]在第一代YOLO模型的基础上，构建了YOLOv2,该模型在保持分类准确率的同时，提高了召回率和定位准确度。2017年，YOLO家族的第三代模型YOLOv3问世。YOLOv3模型使用Darknet-53提取图像特征，再使用YOLO层进行多尺度预测，是YOLO系列集大成者。图1-2SSD网络结构图Figure1-2SSDnetworkstructure1.2.2红外目标检测的发展现状一切温度在绝对零度以上的物体都会向外界辐射红外线，红外线谱段介于微波和可见光之间，它的波长为1mm到760nm，人们无法用肉眼观测到红外线。
基于深度学习的空中红外目标检测方法研究8领域和计算机视觉应用中的研究热点，并已成功地应用于自然语言处理分析及图像的检测与识别等方面。神经网络的基本结构如下图所示（图2.1）：图2-1神经网络结构图Figure2-1Neuralnetworkstructure深度卷积神经网络（ConvolutionalNeuralNetwork，CNN）是当今深度学习研究的主流方向。该网络结构具有多个网络层，其中先前几个网络层是由卷积层（convolutionlayer）和池化层（poolinglayer）交替组成的，而网络结构的后端全部设置为全连接层。这种多层结构的设置能够发现数据间的深层联系，便于提取到事物深层的特征信息，从而使得模型对事物的描述更加准确，表征能力远超传统机器学习方法。CNN模型的工作原理为：首先输入数据经过卷积层进行卷积运算，得到不同特征信息，然后进入池化层进行下采样操作，压缩特征信息，降低计算复杂度。多次重复进行卷积、池化操作，CNN模型就能够自动学习出目标层次化的特征信息。最后，在网络模型后端的全连接层中应用以前提取的特征信息，实现有用信息的整合、分类，最终将局部特性信息组装成完整信息。
本文编号：2969273
【文章来源】：中国科学院大学(中国科学院长春光学精密机械与物理研究所)吉林省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
RCNN的计算流程
基于深度学习的空中红外目标检测方法研究4针对R-CNN模型运行速度慢和必须输入固定尺度图像等问题，He等人提出了空间金字塔池化(Spatialpyramidpooling,SPP)模型SPP-Net[16]。随后Girshick等人[12]对R-CNN和SPP-net两种模型进行了总结并改进，取其精华去其糟粕，提出了FastR-CNN模型。FastR-CNN模型是一种既应用了区域建议又能够边框回归的联合训练模型。近年来，Redmon等人[17]另辟蹊径从无区域建议方式着手，提出了一种新型的目标检测方法，称之为YOLO(Youonlylookonce)。YOLO模型不再使用选择搜索算法寻找候选区域，而是采用了空间限制的方式，这一改动大大减少了对同一目标的重复检测，使得模型检测效率显著提高，能够实现动态目标实时检测。但是，同基于候选区域的模型相比，YOLO模型的定位准确率低，并且召回率不高。针对第一代YOLO模型检测精度较低的问题，Liu等人[18]提出了既拥有较高的平均检测精度，又兼顾实时性的SSD模型。与第一代YOLO模型相比，SSD模型对于小尺寸图像和小目标的检测，效果比较好，输入VOC2007测试，图像平均检测精度能够达到75.1%以上。另一方面,Redmon等人[19]在第一代YOLO模型的基础上，构建了YOLOv2,该模型在保持分类准确率的同时，提高了召回率和定位准确度。2017年，YOLO家族的第三代模型YOLOv3问世。YOLOv3模型使用Darknet-53提取图像特征，再使用YOLO层进行多尺度预测，是YOLO系列集大成者。图1-2SSD网络结构图Figure1-2SSDnetworkstructure1.2.2红外目标检测的发展现状一切温度在绝对零度以上的物体都会向外界辐射红外线，红外线谱段介于微波和可见光之间，它的波长为1mm到760nm，人们无法用肉眼观测到红外线。
基于深度学习的空中红外目标检测方法研究8领域和计算机视觉应用中的研究热点，并已成功地应用于自然语言处理分析及图像的检测与识别等方面。神经网络的基本结构如下图所示（图2.1）：图2-1神经网络结构图Figure2-1Neuralnetworkstructure深度卷积神经网络（ConvolutionalNeuralNetwork，CNN）是当今深度学习研究的主流方向。该网络结构具有多个网络层，其中先前几个网络层是由卷积层（convolutionlayer）和池化层（poolinglayer）交替组成的，而网络结构的后端全部设置为全连接层。这种多层结构的设置能够发现数据间的深层联系，便于提取到事物深层的特征信息，从而使得模型对事物的描述更加准确，表征能力远超传统机器学习方法。CNN模型的工作原理为：首先输入数据经过卷积层进行卷积运算，得到不同特征信息，然后进入池化层进行下采样操作，压缩特征信息，降低计算复杂度。多次重复进行卷积、池化操作，CNN模型就能够自动学习出目标层次化的特征信息。最后，在网络模型后端的全连接层中应用以前提取的特征信息，实现有用信息的整合、分类，最终将局部特性信息组装成完整信息。
本文编号：2969273
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2969273.html
