复杂环境下军事目标检测与威胁度评估
发布时间：2021-04-17 14:28
现代战争中无人化智能化装备日益增多,复杂环境下的军事目标自动识别及威胁度评估是其核心技术之一。本文重点针对复杂环境下的军事目标,结合目标特征提取、卷积神经网络、锚框选取和非极大值抑制等技术,开展了可见光军事目标图像的实时快速检测技术研究,在此基础上,主要采用模糊集分析理论进行了军事目标的威胁度评估。利用互联网搜集真实环境中的军事目标图像,通过分析复杂环境下军事目标的特征,参照PASCAL VOC数据集格式,手工标注军事目标图像,建立包含坦克、导弹发射车、士兵、军用汽车、战斗机、武装直升机、固定翼无人机、旋翼无人机、水面舰艇等军事目标的数据集Military-Data;在Military-Data数据集基础上,选取了检测速度快、精度高的Faster R-CNN算法作为军事目标检测基础算法,然后借鉴聚类思想改进了目标锚框的大小比例设置,减少了目标漏检、误检的发生,采用Soft-NMS代替NMS（非极大值抑制）提高了高检索率情况下的准确度,对Military-Data数据集中的目标训练得到神经网络检测参数,使目标总体识别精度达到92%,最后利用无人机采集现实场景中的坦克,验证了算法的准确性和...
【文章来源】：中北大学山西省
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
总体技术路线框架
中北大学学位论文6针对目前缺乏军事目标数据集的问题，本文提出了一个Military-Data数据集，里面包含坦克、装甲车、武装直升机等典型军事目标。然后比较选取了精度与速度兼顾的FasterR-CNN算法作为本文目标检测的基础算法模型，分析军事目标所处环境、目标特征信息，对FasterR-CNN算法进行优化和改进，在实验室计算机平台上完成算法训练和仿真验证。为了检验算法在实际应用中的表现，本文利用无人机采集实际场景中的坦克目标图像，根据算法的实测结果，证明本文算法具有良好的鲁棒性和泛化性。文章具体技术路线框架如图1-1所示：图1-1总体技术路线框架Fig.1-1Overalltechnicalrouteframework在本文研究过程中，以解决如下关键问题为目的，如图1-2所示：图1-2主要解决的关键问题Fig.1-2Keyissuestobeaddressed
中北大学学位论文7通过解决以上问题，本文最终实现对图像传感器采集的军事目标的自动识别检测，得到图像中目标的类别、位置信息，然后将图像检测得到的信息与其他传感器信息融合，通过建立的军事目标威胁度评估模型，对侦察得到的目标评估其威胁程度，输出决策结果。依据不同任务需求，进而实施下一步的行动，如图1-3所示：图1-3实际应用示意图Fig.1-3Practicalapplicationschematics1.4论文工作安排本文主要对复杂环境下的军事目标进行检测，然后进行威胁评估分析。首先对军事目标的研究现状进行了充分调研，分析了军事目标的特征、应用环境。通过人工搜集并标注的方式，建立了一个大规模军事目标数据集，并将卷积神经网络等深度学习技术引入军事目标检测，选取在精度和速度上表现都比较优秀的FasterR-CNN模型，导入军事目标数据集进行训练测试，提高了军事目标的识别精度。在目标检测的基础上，本文尝试建立了一个威胁度评估模型，用以建立一个从目标自动识别到自动威胁分析的智能化军事辅助系统。文章具体结构安排如下：
【参考文献】：
期刊论文
[1]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[2]基于深层神经网络的军事目标图像分类技术[J]. 惠国保. 现代导航. 2016(06)
[3]军事辅助决策模型及其求解技术研究进展[J]. 于新源,许波,姜再明. 战术导弹技术. 2016(05)
[4]基于粗糙集-逼近理想解排序的辐射源威胁排序方法[J]. 杨远志,王红卫,索中英,陈游,范翔宇. 兵工学报. 2016(05)
[5]基于面向对象贝叶斯网络的威胁评估模型[J]. 王巍,燕雪峰. 计算机技术与发展. 2016(05)
[6]高分专项应用推广全面启动[J]. 刘淮宇. 太空探索. 2016(02)
[7]信息缺失和冲突条件下的空中目标威胁评估[J]. 季傲,姜礼平,吴强. 指挥控制与仿真. 2015(06)
[8]基于S-IFOWA算子的多属性决策方法及其应用[J]. 陈建建,黄先玖. 南昌大学学报(理科版). 2015(05)
[9]基于群广义直觉模糊软集的空袭目标威胁评估方法[J]. 武华,苏秀琴. 控制与决策. 2015(08)
[10]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
硕士论文
[1]基于多物理场特征的舰船目标识别技术研究[D]. 赵琪.哈尔滨工业大学 2017
[2]基于多属性决策的空中目标威胁评估方法研究[D]. 郭佳.北京理工大学 2017
[3]低空慢速小目标检测识别与威胁度评估[D]. 郭溪溪.中国科学院长春光学精密机械与物理研究所 2016
[4]复杂背景条件下的运动目标检测与跟踪的研究[D]. 刘锐.南京航空航天大学 2009
本文编号：3143611
【文章来源】：中北大学山西省
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
总体技术路线框架
中北大学学位论文6针对目前缺乏军事目标数据集的问题，本文提出了一个Military-Data数据集，里面包含坦克、装甲车、武装直升机等典型军事目标。然后比较选取了精度与速度兼顾的FasterR-CNN算法作为本文目标检测的基础算法模型，分析军事目标所处环境、目标特征信息，对FasterR-CNN算法进行优化和改进，在实验室计算机平台上完成算法训练和仿真验证。为了检验算法在实际应用中的表现，本文利用无人机采集实际场景中的坦克目标图像，根据算法的实测结果，证明本文算法具有良好的鲁棒性和泛化性。文章具体技术路线框架如图1-1所示：图1-1总体技术路线框架Fig.1-1Overalltechnicalrouteframework在本文研究过程中，以解决如下关键问题为目的，如图1-2所示：图1-2主要解决的关键问题Fig.1-2Keyissuestobeaddressed
中北大学学位论文7通过解决以上问题，本文最终实现对图像传感器采集的军事目标的自动识别检测，得到图像中目标的类别、位置信息，然后将图像检测得到的信息与其他传感器信息融合，通过建立的军事目标威胁度评估模型，对侦察得到的目标评估其威胁程度，输出决策结果。依据不同任务需求，进而实施下一步的行动，如图1-3所示：图1-3实际应用示意图Fig.1-3Practicalapplicationschematics1.4论文工作安排本文主要对复杂环境下的军事目标进行检测，然后进行威胁评估分析。首先对军事目标的研究现状进行了充分调研，分析了军事目标的特征、应用环境。通过人工搜集并标注的方式，建立了一个大规模军事目标数据集，并将卷积神经网络等深度学习技术引入军事目标检测，选取在精度和速度上表现都比较优秀的FasterR-CNN模型，导入军事目标数据集进行训练测试，提高了军事目标的识别精度。在目标检测的基础上，本文尝试建立了一个威胁度评估模型，用以建立一个从目标自动识别到自动威胁分析的智能化军事辅助系统。文章具体结构安排如下：
【参考文献】：
期刊论文
[1]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[2]基于深层神经网络的军事目标图像分类技术[J]. 惠国保. 现代导航. 2016(06)
[3]军事辅助决策模型及其求解技术研究进展[J]. 于新源,许波,姜再明. 战术导弹技术. 2016(05)
[4]基于粗糙集-逼近理想解排序的辐射源威胁排序方法[J]. 杨远志,王红卫,索中英,陈游,范翔宇. 兵工学报. 2016(05)
[5]基于面向对象贝叶斯网络的威胁评估模型[J]. 王巍,燕雪峰. 计算机技术与发展. 2016(05)
[6]高分专项应用推广全面启动[J]. 刘淮宇. 太空探索. 2016(02)
[7]信息缺失和冲突条件下的空中目标威胁评估[J]. 季傲,姜礼平,吴强. 指挥控制与仿真. 2015(06)
[8]基于S-IFOWA算子的多属性决策方法及其应用[J]. 陈建建,黄先玖. 南昌大学学报(理科版). 2015(05)
[9]基于群广义直觉模糊软集的空袭目标威胁评估方法[J]. 武华,苏秀琴. 控制与决策. 2015(08)
[10]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
硕士论文
[1]基于多物理场特征的舰船目标识别技术研究[D]. 赵琪.哈尔滨工业大学 2017
[2]基于多属性决策的空中目标威胁评估方法研究[D]. 郭佳.北京理工大学 2017
[3]低空慢速小目标检测识别与威胁度评估[D]. 郭溪溪.中国科学院长春光学精密机械与物理研究所 2016
[4]复杂背景条件下的运动目标检测与跟踪的研究[D]. 刘锐.南京航空航天大学 2009
本文编号：3143611
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3143611.html
