近年來,隨著多種多樣、功能豐富的飛行器不斷涌現(xiàn),由其帶來的安全和隱私方面的隱患也越來越得到重視。因此,開發(fā)針對空中目標的重點區(qū)域防護系統(tǒng)十分必要,而目標檢測是該系統(tǒng)的重要組成部分。目標檢測技術是計算機視覺領域的基礎課題之一,同時也是一個熱點,具有非常廣闊的應用市場。如今,由于在圖像分類研究領域廣泛應用深度學習方法,促使目標檢測技術取得了顯著發(fā)展。但是,目前大多數基于深度學習的目標檢測技術是針對可見光成像技術的,而針對紅外成像技術的研究卻很少。本研究希望通過應用深度學習技術為空中紅外目標檢測識別提供高效可行的解決思路與方案。相比其他目標,空中紅外目標所處的空域背景較為簡單平緩,而且目標成像較小,圖像對比性較差、邊緣模糊。準確、快速、可靠地檢測到,并提取出空中紅外目標,為后續(xù)處理贏得時間,是當前迫切需要解決的問題。本研究以空中目標的紅外圖像、高程-輻射強度信息等為數據源,提出了一種新型的基于深度學習的空中紅外目標檢測方法,提高了檢測速度和精度,更好地滿足了檢測任務的需求。本文的主要研究內容歸納如下:（1）介紹了卷積神經網絡的數學原理及當前主要的目標檢測方法;對比地學習了眾多經典的深度學習目... 

【文章來源】：中國科學院大學(中國科學院長春光學精密機械與物理研究所)吉林省

【文章頁數】：69 頁

【學位級別】：碩士

【部分圖文】：

RCNN的計算流程

基于深度學習的空中紅外目標檢測方法研究4針對R-CNN模型運行速度慢和必須輸入固定尺度圖像等問題，He等人提出了空間金字塔池化(Spatialpyramidpooling,SPP)模型SPP-Net[16]。隨后Girshick等人[12]對R-CNN和SPP-net兩種模型進行了總結并改進，取其精華去其糟粕，提出了FastR-CNN模型。FastR-CNN模型是一種既應用了區(qū)域建議又能夠邊框回歸的聯(lián)合訓練模型。近年來，Redmon等人[17]另辟蹊徑從無區(qū)域建議方式著手，提出了一種新型的目標檢測方法，稱之為YOLO(Youonlylookonce)。YOLO模型不再使用選擇搜索算法尋找候選區(qū)域，而是采用了空間限制的方式，這一改動大大減少了對同一目標的重復檢測，使得模型檢測效率顯著提高，能夠實現(xiàn)動態(tài)目標實時檢測。但是，同基于候選區(qū)域的模型相比，YOLO模型的定位準確率低，并且召回率不高。針對第一代YOLO模型檢測精度較低的問題，Liu等人[18]提出了既擁有較高的平均檢測精度，又兼顧實時性的SSD模型。與第一代YOLO模型相比，SSD模型對于小尺寸圖像和小目標的檢測，效果比較好，輸入VOC2007測試，圖像平均檢測精度能夠達到75.1%以上。另一方面,Redmon等人[19]在第一代YOLO模型的基礎上，構建了YOLOv2,該模型在保持分類準確率的同時，提高了召回率和定位準確度。2017年，YOLO家族的第三代模型YOLOv3問世。YOLOv3模型使用Darknet-53提取圖像特征，再使用YOLO層進行多尺度預測，是YOLO系列集大成者。圖1-2SSD網絡結構圖Figure1-2SSDnetworkstructure1.2.2紅外目標檢測的發(fā)展現(xiàn)狀一切溫度在絕對零度以上的物體都會向外界輻射紅外線，紅外線譜段介于微波和可見光之間，它的波長為1mm到760nm，人們無法用肉眼觀測到紅外線。

基于深度學習的空中紅外目標檢測方法研究8領域和計算機視覺應用中的研究熱點，并已成功地應用于自然語言處理分析及圖像的檢測與識別等方面。神經網絡的基本結構如下圖所示（圖2.1）：圖2-1神經網絡結構圖Figure2-1Neuralnetworkstructure深度卷積神經網絡（ConvolutionalNeuralNetwork，CNN）是當今深度學習研究的主流方向。該網絡結構具有多個網絡層，其中先前幾個網絡層是由卷積層（convolutionlayer）和池化層（poolinglayer）交替組成的，而網絡結構的后端全部設置為全連接層。這種多層結構的設置能夠發(fā)現(xiàn)數據間的深層聯(lián)系，便于提取到事物深層的特征信息，從而使得模型對事物的描述更加準確，表征能力遠超傳統(tǒng)機器學習方法。CNN模型的工作原理為：首先輸入數據經過卷積層進行卷積運算，得到不同特征信息，然后進入池化層進行下采樣操作，壓縮特征信息，降低計算復雜度。多次重復進行卷積、池化操作，CNN模型就能夠自動學習出目標層次化的特征信息。最后，在網絡模型后端的全連接層中應用以前提取的特征信息，實現(xiàn)有用信息的整合、分類，最終將局部特性信息組裝成完整信息。


本文編號：2969273