紅外成像具有探測(cè)距離遠(yuǎn)、隱蔽性高、可全天候晝夜工作等突出特性,在空間目標(biāo)探測(cè)領(lǐng)域占據(jù)不可替代的地位。在紅外探測(cè)成像系統(tǒng)中,目標(biāo)檢測(cè)扮演著尤為重要的角色,它能夠同時(shí)實(shí)現(xiàn)圖像內(nèi)容的判別和目標(biāo)定位,是后續(xù)跟蹤任務(wù)的基礎(chǔ),也為系統(tǒng)決策提供有力支撐。在典型的應(yīng)用場(chǎng)景中,存在大量的云層起伏、地面物體等具有強(qiáng)烈紅外輻射特性的干擾,傳統(tǒng)的紅外目標(biāo)檢測(cè)算法在準(zhǔn)確率和魯棒性上都不太理想。近年來(lái),深度學(xué)習(xí)在諸多計(jì)算機(jī)視覺(jué)的任務(wù)中成果斐然,將其用于紅外目標(biāo)檢測(cè)有助于彌補(bǔ)現(xiàn)有算法的不足。本文圍繞低空復(fù)雜場(chǎng)景中飛行紅外目標(biāo)檢測(cè)面臨的實(shí)際問(wèn)題,結(jié)合圖像處理、計(jì)算機(jī)視覺(jué)、深度學(xué)習(xí)等算法進(jìn)行了深入研究。主要工作和創(chuàng)新點(diǎn)如下:(1)提出一種基于C-DCGAN的紅外目標(biāo)仿真算法,用以實(shí)現(xiàn)數(shù)據(jù)生成式的深度遷移學(xué)習(xí)。不同于傳統(tǒng)的GAN網(wǎng)絡(luò),該模型有機(jī)地結(jié)合了類別標(biāo)簽,并采用卷積網(wǎng)絡(luò)加強(qiáng)特征學(xué)習(xí),提升了對(duì)多分布的紅外目標(biāo)圖像的生成效率。需要強(qiáng)調(diào)的是,本文模型不是對(duì)既有圖像簡(jiǎn)單采樣或變換,而是對(duì)紅外圖像的輻射特征充分理解后,生成的全新紅外目標(biāo)圖像。(2)基于DCNN構(gòu)建出一種紅外小目標(biāo)檢測(cè)框架,以解決遠(yuǎn)距離下的斑點(diǎn)狀目標(biāo)被起伏的背景雜波淹沒(méi)難以提取,以及無(wú)法在灰度特征上區(qū)分高亮干擾物的問(wèn)題。該框架首先利用回歸型的DCNN進(jìn)行背景成分抑制和潛目標(biāo)增強(qiáng),緊接著通過(guò)閾值分割提取出候選目標(biāo)區(qū)域,最終送入分類型的DCNN進(jìn)行目標(biāo)確認(rèn)。實(shí)驗(yàn)結(jié)果表明,該方法對(duì)圖像信噪比的提升和虛假目標(biāo)的區(qū)分能力上,都遠(yuǎn)優(yōu)于傳統(tǒng)的紅外小目標(biāo)檢測(cè)方法。(3)對(duì)現(xiàn)有的回歸型深度網(wǎng)絡(luò)檢測(cè)框架進(jìn)行特征表達(dá)和定位精度上的增強(qiáng),以解決紅外面目標(biāo)特征稀疏、像素?cái)?shù)比例低而導(dǎo)致的性能下降問(wèn)題。在分析了SSD模型不善于檢測(cè)小面積目標(biāo)的原因后,提出一種特征圖的雙向融合方法,增強(qiáng)了各尺寸特征層的表達(dá)能力;并對(duì)淺層高分辨率特征圖引入語(yǔ)義增強(qiáng)分支,使其具備抽象的目標(biāo)表征能力以及良好的定位精度;另外,采用輕量化的MobileNet作為特征提取網(wǎng)絡(luò),實(shí)現(xiàn)算法速度和檢測(cè)性能之間的平衡。增強(qiáng)模型在紅外目標(biāo)數(shù)據(jù)集上獲得了70.5%mAP/23.7 FPS,相對(duì)于原始SSD模型提升8.7%,并且速度沒(méi)有明顯下降。(4)大視場(chǎng)圖像的目標(biāo)檢測(cè)面臨數(shù)據(jù)量劇增、背景干擾更加復(fù)雜、目標(biāo)像素?cái)?shù)占全圖比例進(jìn)一步降低等不利因素,本文提出了一種多級(jí)聯(lián)合檢測(cè)框架。在粗提取階段,利用局部加權(quán)熵分離出ROI后,進(jìn)行恒虛警率的自適應(yīng)閾值分割,獲得各種尺寸的潛目標(biāo)候選區(qū)域;在目標(biāo)確認(rèn)階段,整合了之前提出的兩種高性能目標(biāo)檢測(cè)算法,將兩路結(jié)果合并后成為告警信息輸出。該模型無(wú)需目標(biāo)成像形態(tài)的先驗(yàn)知識(shí),具備多尺寸目標(biāo)的檢測(cè)能力,并在整體性能上較傳統(tǒng)方法有一定優(yōu)勢(shì),具有良好的實(shí)用價(jià)值。
【學(xué)位單位】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院上海技術(shù)物理研究所)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TN219
【部分圖文】：

蕹

本文編號(hào)：2807762