現(xiàn)代戰(zhàn)爭(zhēng)中無(wú)人化智能化裝備日益增多,復(fù)雜環(huán)境下的軍事目標(biāo)自動(dòng)識(shí)別及威脅度評(píng)估是其核心技術(shù)之一。本文重點(diǎn)針對(duì)復(fù)雜環(huán)境下的軍事目標(biāo),結(jié)合目標(biāo)特征提取、卷積神經(jīng)網(wǎng)絡(luò)、錨框選取和非極大值抑制等技術(shù),開(kāi)展了可見(jiàn)光軍事目標(biāo)圖像的實(shí)時(shí)快速檢測(cè)技術(shù)研究,在此基礎(chǔ)上,主要采用模糊集分析理論進(jìn)行了軍事目標(biāo)的威脅度評(píng)估。利用互聯(lián)網(wǎng)搜集真實(shí)環(huán)境中的軍事目標(biāo)圖像,通過(guò)分析復(fù)雜環(huán)境下軍事目標(biāo)的特征,參照PASCAL VOC數(shù)據(jù)集格式,手工標(biāo)注軍事目標(biāo)圖像,建立包含坦克、導(dǎo)彈發(fā)射車、士兵、軍用汽車、戰(zhàn)斗機(jī)、武裝直升機(jī)、固定翼無(wú)人機(jī)、旋翼無(wú)人機(jī)、水面艦艇等軍事目標(biāo)的數(shù)據(jù)集Military-Data;在Military-Data數(shù)據(jù)集基礎(chǔ)上,選取了檢測(cè)速度快、精度高的Faster R-CNN算法作為軍事目標(biāo)檢測(cè)基礎(chǔ)算法,然后借鑒聚類思想改進(jìn)了目標(biāo)錨框的大小比例設(shè)置,減少了目標(biāo)漏檢、誤檢的發(fā)生,采用Soft-NMS代替NMS（非極大值抑制）提高了高檢索率情況下的準(zhǔn)確度,對(duì)Military-Data數(shù)據(jù)集中的目標(biāo)訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)檢測(cè)參數(shù),使目標(biāo)總體識(shí)別精度達(dá)到92%,最后利用無(wú)人機(jī)采集現(xiàn)實(shí)場(chǎng)景中的坦克,驗(yàn)證了算法的準(zhǔn)確性和... 

【文章來(lái)源】：中北大學(xué)山西省

【文章頁(yè)數(shù)】：92 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

總體技術(shù)路線框架

中北大學(xué)學(xué)位論文6針對(duì)目前缺乏軍事目標(biāo)數(shù)據(jù)集的問(wèn)題，本文提出了一個(gè)Military-Data數(shù)據(jù)集，里面包含坦克、裝甲車、武裝直升機(jī)等典型軍事目標(biāo)。然后比較選取了精度與速度兼顧的FasterR-CNN算法作為本文目標(biāo)檢測(cè)的基礎(chǔ)算法模型，分析軍事目標(biāo)所處環(huán)境、目標(biāo)特征信息，對(duì)FasterR-CNN算法進(jìn)行優(yōu)化和改進(jìn)，在實(shí)驗(yàn)室計(jì)算機(jī)平臺(tái)上完成算法訓(xùn)練和仿真驗(yàn)證。為了檢驗(yàn)算法在實(shí)際應(yīng)用中的表現(xiàn)，本文利用無(wú)人機(jī)采集實(shí)際場(chǎng)景中的坦克目標(biāo)圖像，根據(jù)算法的實(shí)測(cè)結(jié)果，證明本文算法具有良好的魯棒性和泛化性。文章具體技術(shù)路線框架如圖1-1所示：圖1-1總體技術(shù)路線框架Fig.1-1Overalltechnicalrouteframework在本文研究過(guò)程中，以解決如下關(guān)鍵問(wèn)題為目的，如圖1-2所示：圖1-2主要解決的關(guān)鍵問(wèn)題Fig.1-2Keyissuestobeaddressed

中北大學(xué)學(xué)位論文7通過(guò)解決以上問(wèn)題，本文最終實(shí)現(xiàn)對(duì)圖像傳感器采集的軍事目標(biāo)的自動(dòng)識(shí)別檢測(cè)，得到圖像中目標(biāo)的類別、位置信息，然后將圖像檢測(cè)得到的信息與其他傳感器信息融合，通過(guò)建立的軍事目標(biāo)威脅度評(píng)估模型，對(duì)偵察得到的目標(biāo)評(píng)估其威脅程度，輸出決策結(jié)果。依據(jù)不同任務(wù)需求，進(jìn)而實(shí)施下一步的行動(dòng)，如圖1-3所示：圖1-3實(shí)際應(yīng)用示意圖Fig.1-3Practicalapplicationschematics1.4論文工作安排本文主要對(duì)復(fù)雜環(huán)境下的軍事目標(biāo)進(jìn)行檢測(cè)，然后進(jìn)行威脅評(píng)估分析。首先對(duì)軍事目標(biāo)的研究現(xiàn)狀進(jìn)行了充分調(diào)研，分析了軍事目標(biāo)的特征、應(yīng)用環(huán)境。通過(guò)人工搜集并標(biāo)注的方式，建立了一個(gè)大規(guī)模軍事目標(biāo)數(shù)據(jù)集，并將卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)技術(shù)引入軍事目標(biāo)檢測(cè)，選取在精度和速度上表現(xiàn)都比較優(yōu)秀的FasterR-CNN模型，導(dǎo)入軍事目標(biāo)數(shù)據(jù)集進(jìn)行訓(xùn)練測(cè)試，提高了軍事目標(biāo)的識(shí)別精度。在目標(biāo)檢測(cè)的基礎(chǔ)上，本文嘗試建立了一個(gè)威脅度評(píng)估模型，用以建立一個(gè)從目標(biāo)自動(dòng)識(shí)別到自動(dòng)威脅分析的智能化軍事輔助系統(tǒng)。文章具體結(jié)構(gòu)安排如下：

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[J]. 周曉彥,王珂,李凌燕.  電子測(cè)量技術(shù). 2017(11)
[2]基于深層神經(jīng)網(wǎng)絡(luò)的軍事目標(biāo)圖像分類技術(shù)[J]. 惠國(guó)保.  現(xiàn)代導(dǎo)航. 2016(06)
[3]軍事輔助決策模型及其求解技術(shù)研究進(jìn)展[J]. 于新源,許波,姜再明.  戰(zhàn)術(shù)導(dǎo)彈技術(shù). 2016(05)
[4]基于粗糙集-逼近理想解排序的輻射源威脅排序方法[J]. 楊遠(yuǎn)志,王紅衛(wèi),索中英,陳游,范翔宇.  兵工學(xué)報(bào). 2016(05)
[5]基于面向?qū)ο筘惾~斯網(wǎng)絡(luò)的威脅評(píng)估模型[J]. 王巍,燕雪峰.  計(jì)算機(jī)技術(shù)與發(fā)展. 2016(05)
[6]高分專項(xiàng)應(yīng)用推廣全面啟動(dòng)[J]. 劉淮宇.  太空探索. 2016(02)
[7]信息缺失和沖突條件下的空中目標(biāo)威脅評(píng)估[J]. 季傲,姜禮平,吳強(qiáng).  指揮控制與仿真. 2015(06)
[8]基于S-IFOWA算子的多屬性決策方法及其應(yīng)用[J]. 陳建建,黃先玖.  南昌大學(xué)學(xué)報(bào)(理科版). 2015(05)
[9]基于群廣義直覺(jué)模糊軟集的空襲目標(biāo)威脅評(píng)估方法[J]. 武華,蘇秀琴.  控制與決策. 2015(08)
[10]深度學(xué)習(xí)研究進(jìn)展[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)應(yīng)用研究. 2014(07)

碩士論文
[1]基于多物理場(chǎng)特征的艦船目標(biāo)識(shí)別技術(shù)研究[D]. 趙琪.哈爾濱工業(yè)大學(xué) 2017
[2]基于多屬性決策的空中目標(biāo)威脅評(píng)估方法研究[D]. 郭佳.北京理工大學(xué) 2017
[3]低空慢速小目標(biāo)檢測(cè)識(shí)別與威脅度評(píng)估[D]. 郭溪溪.中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所 2016
[4]復(fù)雜背景條件下的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的研究[D]. 劉銳.南京航空航天大學(xué) 2009



本文編號(hào)：3143611