隨著紅外成像技術(shù)與計算機視覺算法的高速發(fā)展以及作戰(zhàn)環(huán)境的日益復(fù)雜,紅外制導(dǎo)技術(shù)正在逐漸取代雷達、激光等主動探測的制導(dǎo)技術(shù)。作為紅外制導(dǎo)技術(shù)中的重要一環(huán),紅外小目標(biāo)檢測技術(shù)一直以來都是國內(nèi)外學(xué)者研究的熱點課題。而由于紅外小目標(biāo)成像距離遠,目標(biāo)在圖像中一般呈現(xiàn)較小的斑點,缺乏形狀、紋理等特征,且紅外圖像中易出現(xiàn)云層、海浪等復(fù)雜場景,提升了檢測難度,因此,對紅外小目標(biāo)的檢測方法的研究仍是一項充滿挑戰(zhàn)性的工作。本文研究的課題是復(fù)雜云層背景下的空中紅外小目標(biāo)檢測方法,旨在設(shè)計一種在復(fù)雜場景下具有良好的檢測性能的目標(biāo)檢測算法,且為滿足實際應(yīng)用對算法實時性的要求,算法應(yīng)能適應(yīng)于FPGA（Field-Programmable Gate Array）處理器實現(xiàn)硬件加速。在對傳統(tǒng)算法深入研究的基礎(chǔ)上,本文以基于人類視覺系統(tǒng)的方法作為研究方向,其具有檢測效果較好且計算結(jié)構(gòu)簡單的優(yōu)點。本文主要工作如下:針對基于局部對比度測量的LCM（Local Contrast Measure）算法在復(fù)雜云層背景下對背景抑制及目標(biāo)增強能力不足的問題,本文通過深入分析紅外圖像中局部區(qū)域的對比度特性,提出一種基于方向梯度增強的改... 

【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁數(shù)】：87 頁

【學(xué)位級別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)

圖 4-11 紅外小目標(biāo)分類網(wǎng)絡(luò)訓(xùn)練過程Fig4-11 Training Process of Infrared Small Target Classification Network.4.3 網(wǎng)絡(luò)性能對比與分析在紅外小目標(biāo)分類網(wǎng)絡(luò)設(shè)計過程中，借鑒了 SqueezeNet 及 Cifar-10 的網(wǎng)型結(jié)構(gòu)進行設(shè)計。為說明本文網(wǎng)絡(luò)改進的有效性，將 SqueezeNet 的輸入圖式由 227×227×3 改為 32×32×1，并將 SqueezeNet 及 Cifar-10 網(wǎng)絡(luò)的分類數(shù)為 2，將三種網(wǎng)絡(luò)及組合特征前的紅外小目標(biāo)分類網(wǎng)絡(luò)在本文訓(xùn)練集上進行，并將四種網(wǎng)絡(luò)在驗證集上的分類精度變化曲線繪制為對比圖，如圖 4-12。為方便表示，將紅外小目標(biāo)分類網(wǎng)絡(luò)定義為 ISTC-Net(Infrared small tarlassification network)。圖中，ISTC-Net 網(wǎng)絡(luò)的穩(wěn)定精度為 99.95%，SqueezeNet 網(wǎng)絡(luò)的穩(wěn)定精度9.35%，Cifar 網(wǎng)絡(luò)的穩(wěn)定精度為，沒有組合層間信息的 ISTC-Net (ISTC-ithout fusion)網(wǎng)絡(luò)的穩(wěn)定精度為 97.35%�？梢钥闯�，四種網(wǎng)絡(luò)對目標(biāo)及云干景的分類準(zhǔn)確率均很高，其中本文網(wǎng)絡(luò)在紅外小目標(biāo)分類任務(wù)上適應(yīng)性最好

圖 4-12 四種網(wǎng)絡(luò)的測試精度曲線對比圖Fig4-12 Curve comparison of test accuracy of four networks在上述四種網(wǎng)絡(luò)中，SqueezeNet 網(wǎng)絡(luò)有 10 層卷積層，卷積層中最大通道 512(Conv9)，沒有組合層間信息的 ISTC-Net 網(wǎng)絡(luò)有 4 層卷積層，卷積層中通道數(shù)為 128(Fire3)，而 Cifar 網(wǎng)絡(luò)僅有 3 層卷積層，卷積層中最大通道數(shù)4(Conv3)。三者的識別精度由高到底排列，可以看出，增加網(wǎng)絡(luò)層數(shù)和增加卷的通道數(shù)在一定范圍內(nèi)可以增強網(wǎng)絡(luò)的表達能力，但是卷積層及通道數(shù)過大增加網(wǎng)絡(luò)冗余，導(dǎo)致過擬合，使其在測試集上的準(zhǔn)確率下降。因此，針對不任務(wù)需要通過觀察每次訓(xùn)練的結(jié)果，對網(wǎng)絡(luò)結(jié)構(gòu)不斷調(diào)整才能夠獲得優(yōu)越的性能。從圖 4-11 中可以看出，組合 Fire2 層及 Fire3 層特征后的 ISTC 網(wǎng)絡(luò)較單構(gòu)的 ISTC-Net 的分類精度有明顯提高，層間信息融合帶來了 2.6%的準(zhǔn)確率。然而，并不是參與信息融合的卷積層越多越好，融合更多的卷積層不會帶確率的線性提升，反而會增加網(wǎng)絡(luò)的計算量，特征融合模塊(Feature fusiodule)采用不同卷積層的在驗證集上測試的最高準(zhǔn)確率如表 4-3 所示。


本文編號：3248484