發(fā)布時(shí)間：2021-03-27 00:18

　　為了提高無人機(jī)圖像模糊類型識(shí)別的準(zhǔn)確率,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）的無人機(jī)圖像模糊類型識(shí)別方法。通過樣本預(yù)處理策略對無人機(jī)模糊圖像樣本進(jìn)行處理,提高了方法的識(shí)別效率,同時(shí)降低了錯(cuò)誤率。提出一種適用于模糊圖像灰度頻譜圖的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并利用訓(xùn)練樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,增強(qiáng)了網(wǎng)絡(luò)結(jié)構(gòu)的針對性,提高了訓(xùn)練模型的識(shí)別準(zhǔn)確率。利用測試樣本對訓(xùn)練的網(wǎng)絡(luò)模型進(jìn)行測試,驗(yàn)證方法的魯棒性。實(shí)驗(yàn)結(jié)果表明,將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像模糊類型識(shí)別,取得了良好的效果,針對實(shí)驗(yàn)環(huán)境下的無人機(jī)運(yùn)動(dòng)、離焦和大氣散射3種模糊圖像類型的識(shí)別準(zhǔn)確率較高,所提方法的魯棒性強(qiáng)、實(shí)用價(jià)值大。 

【文章來源】：火力與指揮控制. 2020,45(02)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

方法流程圖

卷積神經(jīng)網(wǎng)絡(luò)[9]是一種具有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，Lecun等人[10]最早將其應(yīng)用于手寫數(shù)字識(shí)別，其對輸入的二維圖像數(shù)據(jù)，具有較強(qiáng)的畸變魯棒性。將卷積神經(jīng)網(wǎng)絡(luò)引入圖像模糊類型識(shí)別，不僅可以提高模糊類型的識(shí)別精度，還可以簡化傳統(tǒng)模糊類型識(shí)別前繁瑣的預(yù)處理過程。卷積神經(jīng)網(wǎng)絡(luò)主要分為特征提取網(wǎng)絡(luò)和分類器兩部分，本文設(shè)計(jì)的結(jié)構(gòu)模型如圖2所示。2.1 特征提取網(wǎng)絡(luò)

實(shí)驗(yàn)采用DJI Phantom 3 Professional型無人機(jī)拍攝的低空模糊圖像集進(jìn)行實(shí)驗(yàn)，模糊圖像大小為4 000×3 000，包含運(yùn)動(dòng)模糊、離焦模糊和大氣散射模糊3種模糊類型，表2為各模糊類型訓(xùn)練樣本和測試樣本的數(shù)目，圖3為模糊圖像和相對應(yīng)的灰度頻譜圖示例。需要說明的是，由于是在真實(shí)環(huán)境下采集的數(shù)據(jù)，模糊圖像數(shù)據(jù)集中的圖像受多種降質(zhì)因素影響，樣本數(shù)據(jù)通過主動(dòng)干預(yù)獲取，以最顯著的模糊影響因素對數(shù)據(jù)進(jìn)行分類標(biāo)注。


本文編號(hào)：3102508