本文選題：機(jī)器視覺 + 目標(biāo)識(shí)別�。� 參考：《光學(xué)學(xué)報(bào)》2017年10期

【摘要】：針對(duì)海面背景艦船目標(biāo)單一波段圖像識(shí)別率低的問題,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的融合識(shí)別方法。該方法提取可見光、中波紅外和長波紅外3個(gè)波段艦船目標(biāo)特征進(jìn)行融合識(shí)別。模型主要分為3個(gè)步驟:通過設(shè)計(jì)的6層CNN,同時(shí)對(duì)三波段圖像進(jìn)行特征提取;利用基于互信息的特征選擇方法對(duì)串聯(lián)的三波段特征向量按照重要性進(jìn)行排序,并按照圖像清晰度評(píng)價(jià)指標(biāo)選取固定長度的特征向量作為目標(biāo)識(shí)別依據(jù);通過額外的2個(gè)全連接層和輸出層進(jìn)行回歸訓(xùn)練。采用自建的三波段艦船圖像數(shù)據(jù)庫進(jìn)行模型的訓(xùn)練和測試,共包含6類目標(biāo),5000余張圖像。實(shí)驗(yàn)結(jié)果表明,本文方法識(shí)別率達(dá)到84.5%,與單波段識(shí)別方法相比有明顯提升。
[Abstract]:A fusion recognition method based on convolution neural network (CNN) is proposed to solve the problem of low recognition rate of a single band image of a ship target in sea background. This method extracts the visible light, medium wave infrared and long wave infrared three band ship target features for fusion recognition. The model is mainly divided into three steps: feature extraction of the three-band image is carried out by the designed six-layer CNN, and the series three-band feature vectors are sorted according to the importance by using the feature selection method based on mutual information. The feature vector of fixed length is selected as the basis of target recognition according to the image definition evaluation index, and the regression training is carried out through two additional full connection layers and output layers. The model is trained and tested by using the three band ship image database, which contains more than 5000 images of 6 kinds of targets. The experimental results show that the recognition rate of this method is 84.5, which is obviously higher than that of single band recognition method.
【作者單位】： 海軍航空工程學(xué)院控制工程系;中國國防科技信息中心;
【基金】：國家自然科學(xué)基金(61303192)
【分類號(hào)】：TP183;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓艷春;李智蘭;曾憲文;;目標(biāo)識(shí)別與分類方法[J];軍事通信技術(shù);2003年01期

2 楊建勛,史朝輝;基于模糊綜合函數(shù)的目標(biāo)識(shí)別融合算法研究[J];火控雷達(dá)技術(shù);2004年04期

3 李彥鵬,施福忠,黎湘,莊釗文;基于模糊綜合評(píng)判的目標(biāo)識(shí)別效果評(píng)估[J];計(jì)算機(jī)應(yīng)用研究;2005年03期

4 左崢嶸,張?zhí)煨?集成證據(jù)提高目標(biāo)識(shí)別性能的方法研究[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年03期

5 李彥鵬,黎湘,莊釗文;一種應(yīng)用模糊聚類分析的目標(biāo)識(shí)別效果評(píng)估方法[J];電子對(duì)抗技術(shù);2005年03期

6 蓋明久;呂世良;時(shí)寶;;一種概率更新方法及在目標(biāo)識(shí)別中的應(yīng)用[J];海軍航空工程學(xué)院學(xué)報(bào);2006年05期

7 張平定;王海軍;王睿;;一種基于聚類思想的目標(biāo)識(shí)別新方法[J];空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年02期

8 黃瑤;熊和金;;目標(biāo)識(shí)別的灰關(guān)聯(lián)方法研究[J];湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年S1期

9 王丹;韓惠蕊;田淞;臧雪柏;宋炳強(qiáng);;基于tree part-based模型的目標(biāo)識(shí)別和定位[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2012年S1期

10 ;用于圖象目標(biāo)識(shí)別的神經(jīng)網(wǎng)絡(luò)方法[J];電腦開發(fā)與應(yīng)用;1995年02期

相關(guān)會(huì)議論文 前10條

1 鄭援;胡成軍;;基于數(shù)據(jù)融合的魚雷目標(biāo)識(shí)別[A];第十四屆全國信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

2 李夕海;趙克;慕曉冬;劉代志;;目標(biāo)識(shí)別中的特征相空間吸引子分析[A];第十屆全國信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

3 馮杰;蓋強(qiáng);古軍峰;;模糊聚類分析方法在海上目標(biāo)識(shí)別中的應(yīng)用[A];第二屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

4 趙克;劉代志;慕曉東;蘇娟;;目標(biāo)識(shí)別的特征量約束[A];第九屆全國信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-99）論文集[C];1999年

5 李正東;陳興無;宋琛;何武良;;多傳感器的目標(biāo)識(shí)別[A];中國工程物理研究院科技年報(bào)（1999）[C];1999年

6 俞鴻波;趙榮椿;;三維空間目標(biāo)識(shí)別概述[A];信號(hào)與信息處理技術(shù)——第一屆信號(hào)與信息處理聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2002年

7 曹健;陳紅倩;毛典輝;李海生;蔡強(qiáng);;基于局部特征的圖像目標(biāo)識(shí)別問題綜述[A];2013年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊）[C];2013年

8 姚志軍;韓秋蕾;;一種新的基于少量樣本的目標(biāo)識(shí)別與分割方法[A];第九屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集Ⅱ[C];2011年

9 劉冰;羅熊;劉華平;孫富春;;光學(xué)與深度特征融合在機(jī)器人場景定位中的應(yīng)用[A];2013年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第三分冊）[C];2013年

10 劉兵;司秉玉;;基于圖像區(qū)域搜索法的彩色球目標(biāo)識(shí)別與跟蹤[A];中國儀器儀表學(xué)會(huì)第五屆青年學(xué)術(shù)會(huì)議論文集[C];2003年

相關(guān)重要報(bào)紙文章 前1條

1 中國科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

相關(guān)博士學(xué)位論文 前10條

1 韓靜;基于仿生視覺模型和復(fù)雜信息學(xué)習(xí)的多光譜夜視目標(biāo)識(shí)別技術(shù)[D];南京理工大學(xué);2014年

2 黃璇;多源引導(dǎo)信息融合及其關(guān)鍵技術(shù)研究[D];中國科學(xué)院研究生院(長春光學(xué)精密機(jī)械與物理研究所);2016年

3 舒銳;衛(wèi)星目標(biāo)識(shí)別與特征參數(shù)提取方法研究[D];哈爾濱工業(yè)大學(xué);2010年

4 賈宇平;基于信任函數(shù)理論的融合目標(biāo)識(shí)別研究[D];國防科學(xué)技術(shù)大學(xué);2009年

5 張祥合;復(fù)雜場景中目標(biāo)識(shí)別與分類的仿生原理和方法[D];吉林大學(xué);2012年

6 王海羅;基于視覺感知的無人機(jī)目標(biāo)識(shí)別與跟蹤技術(shù)研究[D];北京理工大學(xué);2015年

7 李曉剛;基于神經(jīng)網(wǎng)絡(luò)的碼垛機(jī)器人視覺位姿測量及伺服控制研究[D];北京林業(yè)大學(xué);2015年

8 戶保田;基于深度神經(jīng)網(wǎng)絡(luò)的文本表示及其應(yīng)用[D];哈爾濱工業(yè)大學(xué);2016年

9 沈旭;基于序列深度學(xué)習(xí)的視頻分析：建模表達(dá)與應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2017年

10 謝妤嬋;視覺目標(biāo)識(shí)別與三維定位關(guān)鍵技術(shù)的研究[D];天津大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 許俊峰;基于模型的任意視點(diǎn)下三維目標(biāo)識(shí)別研究[D];南京航空航天大學(xué);2015年

2 王玉君;基于遠(yuǎn)紅外熱像儀的地面機(jī)動(dòng)目標(biāo)識(shí)別[D];沈陽理工大學(xué);2015年

3 周偉峰;基于神經(jīng)網(wǎng)絡(luò)的單目機(jī)器人目標(biāo)識(shí)別定位研究[D];安徽工程大學(xué);2015年

4 王翔;基于局部神經(jīng)反應(yīng)的目標(biāo)識(shí)別研究[D];華中師范大學(xué);2015年

5 劉巍;基于非均勻采樣圖像的目標(biāo)識(shí)別與跟蹤算法研究[D];北京理工大學(xué);2015年

6 程子倫;基于ARM嵌入式平臺(tái)的視頻目標(biāo)識(shí)別與跟蹤系統(tǒng)的研究與實(shí)現(xiàn)[D];河北科技大學(xué);2015年

7 李元偉;面向智能交通的目標(biāo)識(shí)別關(guān)鍵技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2013年

8 張偉鵬;利用UWB信號(hào)對(duì)森林中入侵目標(biāo)識(shí)別的研究[D];北京郵電大學(xué);2015年

9 孔思維;基于目標(biāo)識(shí)別的運(yùn)動(dòng)棒材在線計(jì)數(shù)[D];濟(jì)南大學(xué);2015年

10 降小龍;基于語義結(jié)構(gòu)和視覺焦點(diǎn)的場景目標(biāo)識(shí)別[D];中北大學(xué);2016年

，

本文編號(hào)：2067822