• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    結(jié)合紅外顯著性目標(biāo)導(dǎo)引的改進(jìn)YOLO網(wǎng)絡(luò)的智能裝備目標(biāo)識別研究

    2020-07-28 06:32:14侯毅葦李林漢
    紅外技術(shù) 2020年7期
    關(guān)鍵詞:紅外特征圖像

    侯毅葦,李林漢,王 彥

    (1.河北金融學(xué)院, 大數(shù)據(jù)科學(xué)學(xué)院,河北 保定 071051; 2.河北金融學(xué)院, 金融創(chuàng)新與風(fēng)險管理研究中心,河北 保定 0710051; 3.中國電子科技集團(tuán)公司第五十四所 信息傳輸與分發(fā)技術(shù)重點實驗室,河北 石家莊050081)

    關(guān)鍵字:目標(biāo)識別;紅外顯著性;目標(biāo)導(dǎo)引;深度學(xué)習(xí);YOLO-V3;智能裝備

    0 引言

    隨著新軍事變革的不斷推進(jìn)和發(fā)展,戰(zhàn)場形態(tài)將走向智能化與信息化,主要作戰(zhàn)方式也朝著整個武器裝備體系間的對戰(zhàn)發(fā)展,未來裝備對于目標(biāo)自主捕獲功能的需求越來越迫切[1]。然而,現(xiàn)有裝甲裝備火控系統(tǒng)大多數(shù)采用人為指定目標(biāo),啟動跟蹤器實施對特定目標(biāo)的跟蹤,無法對可能出現(xiàn)的威脅目標(biāo)進(jìn)行檢測與識別。因此,如何提高火控系統(tǒng)的目標(biāo)自主/半自主識別性能將是未來智能裝甲裝備的發(fā)展方向[2]。

    目標(biāo)自主檢測與識別是指利用機(jī)器學(xué)習(xí)及人工智能方法在圖像中自動獲取目標(biāo)類別和位置。現(xiàn)有的方法大都是對典型目標(biāo),如飛機(jī)、來襲導(dǎo)彈、艦船、橋梁等進(jìn)行識別。在實戰(zhàn)環(huán)境下,實時預(yù)警檢測系統(tǒng)需要具備復(fù)雜背景中廣域目標(biāo)探測與識別[3]。由于缺乏目標(biāo)的先驗信息,現(xiàn)有算法存在虛警率高、實時性偏低等問題,限制了實戰(zhàn)環(huán)境下的廣泛應(yīng)用。迄今為止,國內(nèi)外廣域目標(biāo)檢測與識別項目仍然處于試驗階段,還沒有軍品上可靠的型號產(chǎn)品,迫切要求研究大范圍遠(yuǎn)距離成像條件下的穩(wěn)健目標(biāo)檢測識別算法。

    眾所周知,復(fù)雜背景下自主識別能力和實時性成為制約人工智能技術(shù)實用性的關(guān)鍵?,F(xiàn)有的大多數(shù)算法是利用低層次特征進(jìn)行支持向量機(jī)(Support Vector Machine,SVM)分類。文雄志等人提出了一種基于河流先驗信息的橋梁識別方法,該方法利用橋梁大概率位于河流之上的先驗信息,通過提取河流上的疑似區(qū)域特征,然后通過分類器的判斷,實現(xiàn)橋梁的檢測[4]。Yao 等人利用機(jī)場跑道特有特征,設(shè)計了一種多尺度模式分類方法,能夠從大范圍搜索區(qū)域中識別目標(biāo)[5]。雖然這些方法已經(jīng)能夠較高精度地識別典型目標(biāo),但該類方法對圖像的質(zhì)量與目標(biāo)特性要求較高。一旦目標(biāo)的形狀改變,識別率大大降低。因此,現(xiàn)有的裝備還并不具備完全依靠系統(tǒng)自身識別能力進(jìn)行打擊。航天九院的出口型“彩虹”無人機(jī)仍然是利用數(shù)據(jù)鏈由人在回路進(jìn)行目標(biāo)打擊,其識別系統(tǒng)主要用于輔助識別。目前,以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)方法已經(jīng)在可見光圖像識別領(lǐng)域取得了不錯的成績,從RCNN[6]、SPP-Net[7]、Fast-RCNN[8]、Faster- RCNN[9]、YOLO[10]、SSD[11]、YOLO-v2[12]到Y(jié)OLO-v3[13]正在逐步刷新目標(biāo)檢測與識別的精度和速度。與傳統(tǒng)人工設(shè)計特征不同,深度網(wǎng)絡(luò)通過非線性網(wǎng)絡(luò)結(jié)構(gòu)逐層學(xué)習(xí)潛在特征,獲得目標(biāo)最本質(zhì)的特征信息。

    由于地面裝備的特殊性,直接將現(xiàn)有模型應(yīng)用到目標(biāo)檢測與識別中,效果不太理想。首先,車載裝備需要實時的對目標(biāo)進(jìn)行識別,而神經(jīng)網(wǎng)絡(luò)模型復(fù)雜度太高,很難滿足實時性的要求;其次,車輛行駛過程的煙塵嚴(yán)重影響成像質(zhì)量,導(dǎo)致目標(biāo)識別率不高。因此,針對深度神經(jīng)網(wǎng)絡(luò)模型很少直接應(yīng)用于裝甲光電系統(tǒng),且實時性較差的問題,本文提出一種結(jié)合紅外顯著性目標(biāo)導(dǎo)引的改進(jìn)YOLO 網(wǎng)絡(luò)的智能裝備目標(biāo)識別系統(tǒng),該方法利用紅外與電視的互補(bǔ)特征,通過均值漂移聚類快速地獲取疑似目標(biāo),并通過改進(jìn)的YOLO 模型進(jìn)行可見光目標(biāo)識別。實驗仿真結(jié)果表明,本文提出的方法對地面目標(biāo)識別精度較高,能夠用于戰(zhàn)場環(huán)境下態(tài)勢感知、區(qū)域監(jiān)控及目標(biāo)打擊應(yīng)用。

    1 YOLO 網(wǎng)絡(luò)

    YOLO-v3 網(wǎng)絡(luò)是目前目標(biāo)識別領(lǐng)域較好的一種深度學(xué)習(xí)模型,該網(wǎng)絡(luò)是從YOLO 和YOLO-v2 網(wǎng)絡(luò)演變而來[13]。與基于候選區(qū)域的深度學(xué)習(xí)網(wǎng)絡(luò)相比,YOLO 網(wǎng)絡(luò)將檢測問題轉(zhuǎn)化為回歸問題,該網(wǎng)絡(luò)不需要窮舉候選區(qū)域,直接通過回歸生成目標(biāo)的置信度和邊界框坐標(biāo)。與Faster-RCNN 網(wǎng)絡(luò)相比,大大提高了檢測速度。

    YOLO 檢測模型如圖1 所示。網(wǎng)絡(luò)將訓(xùn)練集中的每個圖像分成S×S(S=13)網(wǎng)格。如果真實目標(biāo)的中心落入網(wǎng)格中,則該網(wǎng)格負(fù)責(zé)檢測目標(biāo)的類別。在每個網(wǎng)格中預(yù)測出來多個邊界框,并且要為每個預(yù)測出來的邊界框評分,以便表示該邊界框完全包含目標(biāo)的置信度(Confidence),其定義如下:

    式中:Pr(object)表示邊界框中包含目標(biāo)的概率(若存在目標(biāo)Pr(object)=1,反之等于0);則表示預(yù)測結(jié)果和基準(zhǔn)邊框之間的重疊度(Intersection over Union, IoU)。置信度反映了網(wǎng)格是否包含目標(biāo)以及預(yù)測邊界框的準(zhǔn)確性。當(dāng)多個邊界框檢測到同一目標(biāo)時, YOLO 使用非最大抑制( Non-Maximum Suppression,NMS)方法選擇最佳邊界框。

    圖1 YOLO 模型識別流程Fig.1 Recognition process in YOLO model

    雖然YOLO 獲得了更快的檢測速度,但它的檢測準(zhǔn)確率不如Faster R-CNN。為了解決這個問題,YOLO-v2 改進(jìn)了網(wǎng)絡(luò)結(jié)構(gòu),并使用卷積層替換YOLO輸出層中的完全連接層。同時,YOLO-v2 還引入了批量歸一化、維度聚類、細(xì)粒度特征、多尺度訓(xùn)練等策略,與YOLO 相比大大提高檢測精度的其他方法。YOLO-v3 是YOLO-v2 的改進(jìn)版,通過使用多尺度預(yù)測來檢測最終目標(biāo),其網(wǎng)絡(luò)結(jié)構(gòu)比YOLO-v2 更復(fù)雜。YOLO-v3 可以預(yù)測不同尺度的邊界框,相比YOLO-v2 能更有效地檢測小目標(biāo)。

    2 紅外顯著性快速目標(biāo)導(dǎo)引

    現(xiàn)有的地面裝備光電系統(tǒng)將電視攝像機(jī)和紅外熱像儀集成于光電平臺上,通過平臺的轉(zhuǎn)動對指定區(qū)域進(jìn)行圖像采集,然后送出圖像處理單元進(jìn)行分析,實現(xiàn)目標(biāo)檢測與跟蹤,為作戰(zhàn)人員提供精確指示,進(jìn)而實現(xiàn)對目標(biāo)打擊[14]。紅外熱像儀可實現(xiàn)廣域遠(yuǎn)距離目標(biāo)搜索,但是獲取的遠(yuǎn)距離目標(biāo)圖像信噪比偏低,不利于目標(biāo)識別;電視攝像機(jī)可以獲取豐富的紋理細(xì)節(jié)的目標(biāo)圖像,有利于虛假目標(biāo)的剔除以及真目標(biāo)識別。因此,結(jié)合紅外和可見光探測器互補(bǔ)思想,利用目標(biāo)熱特性實現(xiàn)目標(biāo)定位,再由可見光圖像進(jìn)行識別,降低YOLO 深度識別網(wǎng)絡(luò)對疑似區(qū)域識別時間,其系統(tǒng)框圖如圖2 所示。

    大多數(shù)深度識別網(wǎng)絡(luò)在訓(xùn)練前需要設(shè)定初始的目標(biāo)尺度,近似的尺度將獲得更加準(zhǔn)確的位置,使得模型更加容易收斂。目前存在兩類先驗框計算方法:第一種是直接對尺寸大小進(jìn)行預(yù)測;第二種是錨點框(anchor box)候選模板[12]。這兩種方法都是在訓(xùn)練過程進(jìn)行尺度微調(diào),但前者受誤差影響較大容易往更大尺度的邊界框變化,后者則不能保證先驗框就是最優(yōu)尺度,容易陷入局部最小。

    為了提取目標(biāo),需要從紅外圖像中提取目標(biāo)像素點,并對像素點進(jìn)行特征描述,實現(xiàn)特征聚類。為了簡化運(yùn)算,本文采用均值分割對疑似目標(biāo)進(jìn)行粗分割,然后采取均值漂移聚類進(jìn)行目標(biāo)定位,最后利用目標(biāo)的結(jié)構(gòu)特性篩選出待識別的目標(biāo)。

    2.1 基于均值漂移聚類的目標(biāo)定位

    為了實現(xiàn)目標(biāo)檢測并定位,需要對疑似目標(biāo)區(qū)域進(jìn)行聚類分析。在未知目標(biāo)先驗信息的情況下,本文采用均值漂移算法進(jìn)行聚類。均值漂移算法(Mean Shift)是一種非參數(shù)概率密度估計方法[15],通過逐步密度梯度偏移實現(xiàn)最優(yōu)聚類,其偏移量定義為概率密度f(x)的局部極大值,也就是概率密度的梯度?f(x)為0 的點。假定d維空間Rd中存在n個樣本點x1,i=1, …,n,在x點的均值漂向量定義如下:

    式中:G(x)表示高斯核函數(shù);w(xi)是采樣點xi的權(quán)值,w(xi)≥0;h是帶寬,一般設(shè)置為30,主要依賴于目標(biāo)的最小可識別尺寸。由于均值漂移向量Mh(x)指向概率密度梯度方向,其本質(zhì)是在指定帶寬范圍內(nèi)尋找最大概率密度函數(shù)梯度的收斂點。等式(2)經(jīng)過變換可重寫為如下等式:

    因此,給定一個初始點x,核函數(shù)G(x),允許誤差ε=5,若先假定均值漂移算法可以采用交替迭代沿著概率密度梯度的方向不斷移動,最終獲得最優(yōu)聚類中心。因此,通過對所有像素點進(jìn)行協(xié)同的聚類分析,得到不同的類集合。

    2.2 基于空間結(jié)構(gòu)特性的目標(biāo)篩選

    由于粗分割與定位獲得了大量疑似目標(biāo)區(qū)域,為了降低識別網(wǎng)絡(luò)處理的復(fù)雜度,本文采用目標(biāo)空間結(jié)構(gòu)特性剔除虛假目標(biāo)。紅外目標(biāo)空間結(jié)構(gòu)特性往往與形狀特征、大小特征、位置布局特征等有密切關(guān)系,是實現(xiàn)主觀視覺判讀和機(jī)器解譯分析的主要參考依據(jù)。本文采用長寬比與矩形度作為目標(biāo)的空間幾何特征進(jìn)行目標(biāo)篩選。

    圖2 紅外目標(biāo)位置引導(dǎo)下的深度學(xué)習(xí)目標(biāo)識別算法框架Fig.2 Framework of deep learning based object recognition guided by the location of infrared object

    對典型目標(biāo)的統(tǒng)計分析表明大多數(shù)目標(biāo)在長寬比與矩形度上符合某個范圍約束,例如:車輛的長寬比一般在2~3,軍用艦船一般大于5,因此結(jié)合長寬比能很快排除一些背景干擾,抑制虛警。目標(biāo)的矩形度用來描述目標(biāo)形狀的復(fù)雜程度,其值越小,表明目標(biāo)越接近矩形。大多數(shù)地面典型目標(biāo)的形狀都是接近于一個矩形。

    通過上述目標(biāo)幾何結(jié)構(gòu)特征的分析,可以快速剔除虛假目標(biāo),為下一步目標(biāo)識別提供可靠的目標(biāo)位置,縮小搜索范圍,降低處理時間。

    3 改進(jìn)的YOLO-v3 識別網(wǎng)絡(luò)

    3.1 密集連接神經(jīng)網(wǎng)絡(luò)

    由于YOLO 網(wǎng)絡(luò)中存在大量卷積和下采樣操作,在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的同時降低了特征圖的數(shù)量,造成特征信息的損失。因此,為了增強(qiáng)目標(biāo)特征的表征能力,本文提出采用密集連接神經(jīng)網(wǎng)絡(luò)(Dense Net)[16]來更有效地捕獲特征信息,該策略是利用前饋模式將每個層信息連接到其他層。也就是說,第l層接收前面l-1 層的所有特征圖作為輸入:

    式中:x0,x1, …,xl-1是前l(fā)-1 層的特征映射的級聯(lián),Hl則是用于處理級聯(lián)特征的函數(shù)。密集網(wǎng)絡(luò)可以減輕梯度消失問題,增強(qiáng)特征傳播,促進(jìn)特征復(fù)用,并大大減少參數(shù)數(shù)量。雖然密集連接塊的結(jié)構(gòu)使得特征圖得到了重用,但帶來利用率高的同時也導(dǎo)致了越到深層的網(wǎng)絡(luò),特征圖的數(shù)量也就越多,計算的內(nèi)存需求也逐步提升,因此本文采用文獻(xiàn)[16]提出的優(yōu)化策略進(jìn)行。

    3.2 識別模型

    本文提出的改進(jìn)YOLO-v3 識別網(wǎng)絡(luò)仍然是以Darknet-53 為基礎(chǔ)網(wǎng)絡(luò)架構(gòu),并使用DenseNet 代替具有較低分辨率的原始轉(zhuǎn)移層,以增強(qiáng)特征傳播,復(fù)用和融合,其模型結(jié)構(gòu)如圖3 所示。YOLO-v3 并沒有采用Softmax 函數(shù)作為最終的預(yù)測分類器,而是采用獨(dú)立的邏輯回歸函數(shù)(sigmoid 函數(shù))來預(yù)測每個邊界框的多標(biāo)簽分類。也就是說,紅外導(dǎo)引的每個邊界框可以屬于多個類別,如掩體和坦克,此操作對于復(fù)雜戰(zhàn)場環(huán)境下多目標(biāo)并存場景是非常有用的。為了滿足多目標(biāo)識別的需要并驗證算法的有效性,本文對網(wǎng)絡(luò)的末端進(jìn)行了修改,將目標(biāo)類別的數(shù)目改為五類(履帶裝甲、輪式裝甲、人、掩體,靶標(biāo))。所有的輸入圖像首先調(diào)整為512×512像素,代替原有的256×256像素圖像。然后,改進(jìn)網(wǎng)絡(luò)中的32×32 和16×16 原始轉(zhuǎn)移層與下采樣層被DenseNet 結(jié)構(gòu)取代。在本文中,傳遞函數(shù)Hl使用函數(shù)BN-ReLU-Conv(1×1)- BN-ReLU-Conv(3×3),它是卷積算子(Conv),批量歸一化(Batch Normalization,BN),線性整流函數(shù)(Rectified Linear Unit, ReLU)的組合。Hl通過對x0,x1, …,xl-1層的數(shù)據(jù)非線性變換,緩減梯度消失,其中xi由64 個特征提取層組成,每層的分辨率為32×32。特征逐漸前向傳遞,最終得到大小為16×16×1024 的多層次深度特征。

    在訓(xùn)練階段,當(dāng)圖像特征被轉(zhuǎn)移到較高分辨率層時,后一特征層將在密集網(wǎng)絡(luò)中接收其前面的所有特征層的特征,從而減少特征損失。另外,通過這種方式,可以在低分辨率的卷積層之間實現(xiàn)特征復(fù)用,提高特征的表征能力。

    4 實驗結(jié)果與討論

    為了驗證提出的結(jié)合紅外顯著性目標(biāo)引導(dǎo)的改進(jìn)YOLO 網(wǎng)絡(luò)的目標(biāo)識別模型,本章將從改進(jìn)的YOLO 模型性能與識別精度兩方面進(jìn)行分析。本文實驗環(huán)境為:Intel 酷睿i9-9900k @ 3.6 GHz (×8),16 GB×4 (DDR4 3200 MHz),NVIDIA TESLA P100 16G×2,Ubuntu 16.04,64 位操作系統(tǒng)。

    圖3 改進(jìn)的YOLO v3 識別網(wǎng)絡(luò)Fig.3 Improved YOLO v3 recognition networks

    4.1 實驗數(shù)據(jù)及其評價指標(biāo)

    為了定性定量地評價本節(jié)所提出的識別模型的有效性,采用自建數(shù)據(jù)集和PASCAL VOC 公共數(shù)據(jù)集進(jìn)行深度學(xué)習(xí)訓(xùn)練和測試。自建數(shù)據(jù)集是利用中海外九洲(陜西)防務(wù)科技有限公司研制的GD/PD-2801A 光電探測設(shè)備,其紅外圖像分辨率是640×512,電視圖像分辨率是1280×720。為確保不同探測器獲取圖像場景一致,紅外與電視視場大小調(diào)到相同大小,且光軸重合。試驗從外場采集了46280張紅外及其電視圖像,該數(shù)據(jù)集主要以地面環(huán)境下車輛及人員目標(biāo)的可見光及紅外圖像為主,目標(biāo)類別數(shù)為10。選取32150 幅圖像作為訓(xùn)練樣本,14130 幅圖像作為測試樣本。標(biāo)注數(shù)據(jù)主要采用耶魯大學(xué)的Autolable 工具[17],實驗所需訓(xùn)練圖像均按照PASCAL VOC 2012 數(shù)據(jù)集格式進(jìn)行了人工標(biāo)注。PASCAL VOC 公共數(shù)據(jù)集是圖像識別和分類領(lǐng)域優(yōu)秀的數(shù)據(jù)集,被用來訓(xùn)練本文提出的YOLO 模型,并驗證模型的收斂性能。

    實驗選擇了YOLO-V3[13],Cascaded RCNN[18],R-FCN-3000[19]和RNOD[20]作為對比算法,所有的對比算法都采用作者給出的源代碼或可執(zhí)行文件,并且都用相同的訓(xùn)練集進(jìn)行訓(xùn)練。本次實驗將從算法的均值平均精度(Mean Average Precision,mAP)、幀率(Frames Per Second,F(xiàn)PS)、IoU 三個方面進(jìn)行分析。

    4.2 改進(jìn)的深度模型的性能分析。

    Faster RCNN、FCN 和 SSD 使用 Inception Resnet-v2 作為特征提取網(wǎng)絡(luò),而本文提出的改進(jìn)YOLO-V3 識別網(wǎng)絡(luò)是以Darknet-53 為基礎(chǔ)網(wǎng)絡(luò)架構(gòu),其網(wǎng)絡(luò)初始化參數(shù)如表1 所示。為了提高模型的檢測精度,輸入圖像被調(diào)整為 512×512 像素以適應(yīng)Darknet 框架。動量、初始學(xué)習(xí)率、權(quán)重衰減正則化等參數(shù)與YOLO-V3 模型中的原始參數(shù)一致;學(xué)習(xí)速率初始化設(shè)置為0.001,然后在訓(xùn)練到第40000 步后降至0.0001,在50000 步后降至0.00001。訓(xùn)練過程中的準(zhǔn)確度和損失變化如圖4(a)和圖4(b)所示。訓(xùn)練集與測試集實驗結(jié)果表明,本文改進(jìn)的基于改進(jìn)YOLO 識別算法具有較高的收斂速度與識別精度。

    4.3 定性定量識別性能分析

    為解決復(fù)雜地面環(huán)境下低對比度目標(biāo)檢測問題,本文提出了一種基于紅外顯著性目標(biāo)引導(dǎo)的改進(jìn)YOLO 網(wǎng)絡(luò)的智能裝備目標(biāo)識別方法,該方法利用了紅外與可見光圖像的互補(bǔ)特性,通過疑似目標(biāo)檢測、多層卷積層特征提取、多尺度置信度模型完成檢測與識別任務(wù)。表2 是不同的深度模型對所有測試圖像的定量指標(biāo)結(jié)果,其中mAP 是評價檢測算法對所有類別物體的檢測性能,即所有類的平均正確率(AveragePrecision, AP)的均值??梢钥闯?,Cascaded RCNN通過級聯(lián)幾個檢測網(wǎng)絡(luò)達(dá)到不斷優(yōu)化預(yù)測結(jié)果,其檢測網(wǎng)絡(luò)是是基于不同IOU 閾值進(jìn)行訓(xùn)練,其精度是所有模型中較高的,但實時性太差;RNOD 是兩個全連接層和NMS 模塊引入目標(biāo)語義模塊中,通過關(guān)聯(lián)分析提升識別的精度,但該模型容易引起誤判,尤其是針對戶外采集的低質(zhì)量的圖像,其識別精度較低;R-FCN-3000 是提出了解耦分類支路實現(xiàn)多目標(biāo)分類,在保證速度(30FPs)的情況下將R-FCN 的分類類別數(shù)延伸至3000 類。由于本文類別設(shè)置不多,其識別精度與YOLO-V3 相當(dāng);本文的算法首先對紅外圖像進(jìn)行顯著性快速目標(biāo)導(dǎo)引,利用目標(biāo)幾何特點,聚類計算目標(biāo)框尺度;然后使用改進(jìn)的YOLO 網(wǎng)絡(luò)實現(xiàn)目標(biāo)檢測與識別。實驗結(jié)果表明本文提出的模型的識別準(zhǔn)確率比YOLO V3 略有提升,但實時性得到了很大的提升。在相同分辨率的情況下,幀頻接近74。

    表1 初始網(wǎng)絡(luò)參數(shù)Table 1 Initialization network parameters

    圖4 訓(xùn)練過程Fig.4 Training process

    表2 不同方法的識別準(zhǔn)確率Table 2 Different methods of recognition accuracy

    圖5是YOLO與本文算法的檢測識別性能的視覺效果,實驗選用了一張具有代表性的圖像進(jìn)行分析。圖5(a)為YOLO 目標(biāo)檢測結(jié)果,沒有加人紅外位置引導(dǎo);圖5(b)為本文算法的裝甲目標(biāo)檢測結(jié)果,該方法利用紅外顯著性快速目標(biāo)導(dǎo)引提供的目標(biāo)質(zhì)心位置與目標(biāo)尺度,右圖是在同分辨率可見光圖像以及在目標(biāo)位置導(dǎo)引下的深度網(wǎng)絡(luò)檢測結(jié)果。可以看到本文提出的方法具有較好的性能。為了分析本文所提的算法對戶外場景的識別效果,圖6 是不同識別算法的定性分析結(jié)果。本文提出的算法能夠識別場景中的大部分目標(biāo),尤其是針對土堆旁邊的士兵也也能準(zhǔn)確定位,但也存在將工事識別成城墻的情況;Cascaded RCNN的識別精度較高,主要依賴于該方法對IOU 的自適應(yīng)分析,目標(biāo)定位精度高,但也存在識別不全的情況,尤其是將多個坦克識別成一個。RNOD 算法對孤立目標(biāo)識別精度較高,但對遮擋目標(biāo)差異較大;R-FCN-3000 能識別圖像的大多數(shù)目標(biāo),由于關(guān)聯(lián)性的分析,容易把目標(biāo)識別成多個目標(biāo),例如將裝甲上的附著物識別成人。

    圖5 YOLO-V3 與本文算法的檢測識別定性對比Fig.5 Qualitative comparison of detection and recognition performance between YOLO-V3 and the proposed algorithm

    圖6 不同算法的識別結(jié)果對比Fig.6 Comparison of recognition results for different algorithms

    5 結(jié)語

    為了提升作戰(zhàn)環(huán)境下目標(biāo)檢測識別的性能,本文提出了一種基于紅外顯著性目標(biāo)引導(dǎo)的改進(jìn)YOLO網(wǎng)絡(luò)的智能裝備目標(biāo)識別算法,該算法利用紅外圖像提供目標(biāo)可能的位置引導(dǎo)可見光圖像中的深度自主學(xué)習(xí)目標(biāo)檢測,從而加速檢測的速度。本文提出的改進(jìn)YOLO-v3 識別網(wǎng)絡(luò)是以Darknet-53 為基礎(chǔ)網(wǎng)絡(luò)架構(gòu),并使用DenseNet 代替具有較低分辨率的原始轉(zhuǎn)移層,以增強(qiáng)特征傳播,復(fù)用和融合。大量定性定量的實驗結(jié)果表明,本文提出的模型可以有效地提高現(xiàn)有目標(biāo)檢測與行為識別網(wǎng)絡(luò)的性能。

    本文提出的算法僅僅是利用紅外導(dǎo)引下進(jìn)行自然圖像識別,雖然測試數(shù)據(jù)集的識別性能較好。然而,本文算法適用范圍較小,不具備全天候全天時的態(tài)勢感知、區(qū)域監(jiān)控及目標(biāo)打擊應(yīng)用。下一步,項目組將融合紅外與可見光的互補(bǔ)特征,提升算法的全方位泛化能力。

    猜你喜歡
    紅外特征圖像
    改進(jìn)的LapSRN遙感圖像超分辨重建
    網(wǎng)紅外賣
    閃亮的中國紅外『芯』
    金橋(2021年4期)2021-05-21 08:19:20
    有趣的圖像詩
    如何表達(dá)“特征”
    不忠誠的四個特征
    TS系列紅外傳感器在嵌入式控制系統(tǒng)中的應(yīng)用
    電子制作(2019年7期)2019-04-25 13:17:14
    抓住特征巧觀察
    基于快速遞推模糊2-劃分熵圖割的紅外圖像分割
    線性代數(shù)的應(yīng)用特征
    河南科技(2014年23期)2014-02-27 14:19:15
    一区二区三区免费毛片| 丁香六月欧美| 性欧美人与动物交配| 欧美乱妇无乱码| 亚洲黑人精品在线| 桃红色精品国产亚洲av| 欧美3d第一页| av在线老鸭窝| 变态另类成人亚洲欧美熟女| 草草在线视频免费看| 超碰av人人做人人爽久久| 性插视频无遮挡在线免费观看| 一本久久中文字幕| 欧美色欧美亚洲另类二区| 精品国内亚洲2022精品成人| 12—13女人毛片做爰片一| 亚洲av.av天堂| 俄罗斯特黄特色一大片| 毛片一级片免费看久久久久 | 亚洲精品粉嫩美女一区| 九九久久精品国产亚洲av麻豆| 亚洲av.av天堂| 国产一区二区三区在线臀色熟女| 国产av不卡久久| 久久国产乱子伦精品免费另类| 久久人人精品亚洲av| 国产精品久久久久久精品电影| 日韩欧美三级三区| a级毛片免费高清观看在线播放| 俄罗斯特黄特色一大片| 亚洲欧美清纯卡通| 无人区码免费观看不卡| 久久久久久久久大av| 欧美性猛交黑人性爽| 狠狠狠狠99中文字幕| 毛片女人毛片| 夜夜夜夜夜久久久久| 亚洲不卡免费看| 狠狠狠狠99中文字幕| 亚洲国产精品成人综合色| 一级毛片久久久久久久久女| 中国美女看黄片| 99在线视频只有这里精品首页| 两人在一起打扑克的视频| 国产成人欧美在线观看| 一本精品99久久精品77| 真实男女啪啪啪动态图| 成人精品一区二区免费| 国产精品人妻久久久久久| 国产午夜精品论理片| 少妇熟女aⅴ在线视频| 免费无遮挡裸体视频| 欧美区成人在线视频| 国产真实伦视频高清在线观看 | 在线播放无遮挡| 精品一区二区三区av网在线观看| 免费av观看视频| 午夜日韩欧美国产| 免费在线观看成人毛片| 亚洲av电影不卡..在线观看| 色尼玛亚洲综合影院| 老司机午夜福利在线观看视频| 男人的好看免费观看在线视频| 男插女下体视频免费在线播放| 欧美乱妇无乱码| 三级毛片av免费| 简卡轻食公司| 好男人在线观看高清免费视频| 国产成人影院久久av| 久久久色成人| 国产视频内射| 又爽又黄无遮挡网站| 91麻豆av在线| 亚洲不卡免费看| 亚洲国产精品久久男人天堂| 99久久成人亚洲精品观看| 亚洲国产精品久久男人天堂| 十八禁国产超污无遮挡网站| 欧美一级a爱片免费观看看| 又黄又爽又刺激的免费视频.| 国内久久婷婷六月综合欲色啪| 日韩欧美国产在线观看| 亚洲第一欧美日韩一区二区三区| 蜜桃亚洲精品一区二区三区| 99久国产av精品| 久久精品国产99精品国产亚洲性色| 亚洲成人久久爱视频| 国产69精品久久久久777片| 十八禁人妻一区二区| 亚洲专区国产一区二区| 免费av不卡在线播放| 白带黄色成豆腐渣| 18+在线观看网站| 成人无遮挡网站| 一个人免费在线观看电影| 亚洲欧美日韩卡通动漫| 露出奶头的视频| 一个人免费在线观看电影| 亚洲人与动物交配视频| 中文在线观看免费www的网站| 欧美日韩国产亚洲二区| 1000部很黄的大片| 婷婷六月久久综合丁香| 极品教师在线免费播放| 午夜精品在线福利| 久久伊人香网站| 亚洲成av人片在线播放无| 黄色日韩在线| 少妇人妻一区二区三区视频| АⅤ资源中文在线天堂| www.www免费av| 国产v大片淫在线免费观看| 午夜视频国产福利| 夜夜看夜夜爽夜夜摸| 大型黄色视频在线免费观看| 在线免费观看的www视频| 欧美日韩乱码在线| 成人av在线播放网站| 蜜桃久久精品国产亚洲av| 日日夜夜操网爽| 国产黄片美女视频| 国内少妇人妻偷人精品xxx网站| 又粗又爽又猛毛片免费看| 国产午夜福利久久久久久| 91午夜精品亚洲一区二区三区 | 在线a可以看的网站| 色在线成人网| 草草在线视频免费看| 国产精品久久久久久精品电影| 精品久久久久久久久av| 91久久精品国产一区二区成人| 麻豆国产av国片精品| 极品教师在线视频| 亚洲在线自拍视频| 老司机深夜福利视频在线观看| 99久久久亚洲精品蜜臀av| 中文字幕人成人乱码亚洲影| 香蕉av资源在线| 日本精品一区二区三区蜜桃| 亚洲黑人精品在线| 亚洲欧美日韩高清专用| 欧美xxxx性猛交bbbb| 精品午夜福利视频在线观看一区| 久久久久久久亚洲中文字幕 | 亚洲无线在线观看| 亚洲国产精品成人综合色| 免费看日本二区| 老女人水多毛片| 亚洲av中文字字幕乱码综合| 国产伦在线观看视频一区| 国产视频一区二区在线看| 午夜影院日韩av| 国产精品日韩av在线免费观看| 一本一本综合久久| 欧美国产日韩亚洲一区| 欧美激情国产日韩精品一区| 国产爱豆传媒在线观看| 99久久精品热视频| 88av欧美| 一夜夜www| 免费在线观看亚洲国产| 久久久久久久亚洲中文字幕 | 宅男免费午夜| 岛国在线免费视频观看| 亚洲成人久久爱视频| 人妻久久中文字幕网| 可以在线观看毛片的网站| 中文亚洲av片在线观看爽| 久久国产乱子伦精品免费另类| 国产成人福利小说| 国产亚洲精品久久久com| 久久99热6这里只有精品| 亚洲不卡免费看| 91九色精品人成在线观看| 成人国产综合亚洲| 在线天堂最新版资源| 亚洲国产精品sss在线观看| 国产精品爽爽va在线观看网站| 午夜福利在线观看吧| 精品日产1卡2卡| 一本精品99久久精品77| 激情在线观看视频在线高清| 午夜福利在线在线| 一a级毛片在线观看| 一二三四社区在线视频社区8| 狠狠狠狠99中文字幕| 一级黄片播放器| 99久久99久久久精品蜜桃| 一区二区三区高清视频在线| 国产91精品成人一区二区三区| 国产黄a三级三级三级人| 狠狠狠狠99中文字幕| 亚洲成人久久爱视频| 欧美极品一区二区三区四区| 免费观看精品视频网站| 日本熟妇午夜| 亚洲国产精品999在线| av欧美777| 国产高清三级在线| 欧美绝顶高潮抽搐喷水| 在线观看一区二区三区| 99久久精品一区二区三区| 亚洲欧美日韩无卡精品| 午夜亚洲福利在线播放| 美女高潮的动态| 韩国av一区二区三区四区| 国产精品99久久久久久久久| 97超级碰碰碰精品色视频在线观看| 欧美色欧美亚洲另类二区| 免费看日本二区| 久久久精品大字幕| 亚洲国产日韩欧美精品在线观看| 亚洲成人免费电影在线观看| 好男人电影高清在线观看| 宅男免费午夜| av视频在线观看入口| 久久久色成人| 午夜久久久久精精品| 国产探花极品一区二区| 91久久精品电影网| 日韩成人在线观看一区二区三区| 色综合站精品国产| 国产欧美日韩一区二区精品| av专区在线播放| 国产老妇女一区| 国内揄拍国产精品人妻在线| 听说在线观看完整版免费高清| 在线观看午夜福利视频| 日本撒尿小便嘘嘘汇集6| 精品久久久久久久久久免费视频| 日韩国内少妇激情av| 国产一级毛片七仙女欲春2| 国产一区二区在线观看日韩| 性色av乱码一区二区三区2| 美女cb高潮喷水在线观看| 99久久成人亚洲精品观看| 亚洲av成人不卡在线观看播放网| 亚洲综合色惰| 精品熟女少妇八av免费久了| 精品国内亚洲2022精品成人| 久久香蕉精品热| ponron亚洲| 欧美精品国产亚洲| 亚洲欧美清纯卡通| 精品人妻一区二区三区麻豆 | 国产精品久久久久久亚洲av鲁大| 有码 亚洲区| 热99re8久久精品国产| 欧美乱色亚洲激情| 婷婷精品国产亚洲av在线| 在线观看美女被高潮喷水网站 | 一区二区三区激情视频| 琪琪午夜伦伦电影理论片6080| 夜夜夜夜夜久久久久| 日韩国内少妇激情av| 欧美午夜高清在线| 99国产精品一区二区蜜桃av| 免费黄网站久久成人精品 | 搡老妇女老女人老熟妇| 婷婷丁香在线五月| 99久久九九国产精品国产免费| 欧美又色又爽又黄视频| 我的女老师完整版在线观看| 天天躁日日操中文字幕| 极品教师在线视频| 在线国产一区二区在线| 日本黄色视频三级网站网址| 成人三级黄色视频| 淫秽高清视频在线观看| 亚洲欧美日韩高清专用| 久久草成人影院| 在线播放无遮挡| 免费在线观看影片大全网站| av欧美777| 嫩草影院新地址| 性欧美人与动物交配| 在线播放无遮挡| 99久久久亚洲精品蜜臀av| 久久久成人免费电影| 老鸭窝网址在线观看| x7x7x7水蜜桃| 国产精品人妻久久久久久| 亚洲精品在线观看二区| 国产精品自产拍在线观看55亚洲| 午夜激情福利司机影院| 看片在线看免费视频| 免费看a级黄色片| 久久亚洲真实| 国内精品久久久久精免费| 国产高潮美女av| 99国产综合亚洲精品| 精品久久久久久成人av| 在线a可以看的网站| 九色成人免费人妻av| 首页视频小说图片口味搜索| 波野结衣二区三区在线| 色吧在线观看| 真人一进一出gif抽搐免费| 真人做人爱边吃奶动态| 中文字幕av成人在线电影| 成年女人永久免费观看视频| 日韩欧美精品免费久久 | 欧美日韩综合久久久久久 | h日本视频在线播放| 少妇人妻一区二区三区视频| 亚洲精品色激情综合| 三级毛片av免费| 欧美激情国产日韩精品一区| 午夜a级毛片| 亚洲av日韩精品久久久久久密| 久久久久国内视频| 夜夜夜夜夜久久久久| 国产日本99.免费观看| 可以在线观看毛片的网站| 久久欧美精品欧美久久欧美| 有码 亚洲区| 免费搜索国产男女视频| 亚洲男人的天堂狠狠| 日本成人三级电影网站| www日本黄色视频网| 俄罗斯特黄特色一大片| 非洲黑人性xxxx精品又粗又长| 国产亚洲精品综合一区在线观看| 日本黄大片高清| 最好的美女福利视频网| 狠狠狠狠99中文字幕| 欧美日韩亚洲国产一区二区在线观看| 99视频精品全部免费 在线| 十八禁网站免费在线| 别揉我奶头~嗯~啊~动态视频| 午夜精品一区二区三区免费看| 三级国产精品欧美在线观看| 亚洲国产欧洲综合997久久,| 欧美成狂野欧美在线观看| 成人永久免费在线观看视频| 他把我摸到了高潮在线观看| 国产美女午夜福利| 欧美激情国产日韩精品一区| 草草在线视频免费看| 51国产日韩欧美| 免费av观看视频| 日韩人妻高清精品专区| 69人妻影院| 亚洲在线观看片| 久久精品人妻少妇| 嫩草影院新地址| 级片在线观看| 亚洲专区中文字幕在线| 日本免费a在线| 高清在线国产一区| 日本成人三级电影网站| 国产午夜精品久久久久久一区二区三区 | 精品久久久久久,| 听说在线观看完整版免费高清| 特大巨黑吊av在线直播| 久久久久免费精品人妻一区二区| 美女大奶头视频| a在线观看视频网站| 国产大屁股一区二区在线视频| 亚洲 欧美 日韩 在线 免费| 黄色丝袜av网址大全| 国产精品1区2区在线观看.| 国产成年人精品一区二区| 亚洲五月婷婷丁香| av专区在线播放| 亚洲欧美日韩无卡精品| 久久午夜福利片| 亚洲在线观看片| 最好的美女福利视频网| 国产亚洲精品久久久com| 看黄色毛片网站| 国产真实伦视频高清在线观看 | 成年女人永久免费观看视频| 午夜福利视频1000在线观看| 亚洲欧美日韩高清在线视频| 色在线成人网| 欧美激情在线99| 欧美成人免费av一区二区三区| 一区二区三区激情视频| 九九热线精品视视频播放| 成人亚洲精品av一区二区| 日韩中文字幕欧美一区二区| 国产精品爽爽va在线观看网站| 性欧美人与动物交配| 国产精品久久久久久久电影| 哪里可以看免费的av片| 欧美日韩福利视频一区二区| 内射极品少妇av片p| 一进一出好大好爽视频| 中文字幕精品亚洲无线码一区| 欧美日韩瑟瑟在线播放| 欧美黑人欧美精品刺激| 99久国产av精品| 91字幕亚洲| 国产伦人伦偷精品视频| 天堂网av新在线| 午夜免费成人在线视频| 午夜老司机福利剧场| 精品一区二区三区av网在线观看| av中文乱码字幕在线| 欧美精品国产亚洲| 一级黄片播放器| 国产探花极品一区二区| 欧美黑人欧美精品刺激| 一级作爱视频免费观看| 日韩国内少妇激情av| 在线免费观看的www视频| 人妻久久中文字幕网| 国内少妇人妻偷人精品xxx网站| 性色avwww在线观看| 人妻制服诱惑在线中文字幕| 国产一区二区亚洲精品在线观看| 欧美成人免费av一区二区三区| 国产爱豆传媒在线观看| 在线观看午夜福利视频| 搞女人的毛片| 免费高清视频大片| 亚洲久久久久久中文字幕| 一区二区三区高清视频在线| 毛片一级片免费看久久久久 | 欧美成人一区二区免费高清观看| 观看免费一级毛片| 久久国产乱子伦精品免费另类| 日本一二三区视频观看| 熟妇人妻久久中文字幕3abv| 亚洲av成人av| 国产成人啪精品午夜网站| 成人毛片a级毛片在线播放| 丝袜美腿在线中文| 日日夜夜操网爽| 亚洲片人在线观看| 青草久久国产| 好看av亚洲va欧美ⅴa在| 在线观看一区二区三区| 1024手机看黄色片| 夜夜看夜夜爽夜夜摸| 岛国在线免费视频观看| 国产精品99久久久久久久久| 国产精品日韩av在线免费观看| 国产精品久久电影中文字幕| av中文乱码字幕在线| 国产淫片久久久久久久久 | 国产午夜精品久久久久久一区二区三区 | 久久九九热精品免费| 天堂av国产一区二区熟女人妻| avwww免费| 一级黄片播放器| 国产一级毛片七仙女欲春2| 性色avwww在线观看| 国产精品99久久久久久久久| 长腿黑丝高跟| 桃色一区二区三区在线观看| 国产精品伦人一区二区| 欧美高清性xxxxhd video| 此物有八面人人有两片| 毛片女人毛片| 欧美不卡视频在线免费观看| 欧美性感艳星| 午夜免费男女啪啪视频观看 | 亚洲午夜理论影院| 天堂动漫精品| 在线播放国产精品三级| 3wmmmm亚洲av在线观看| 最新在线观看一区二区三区| 91久久精品电影网| 桃红色精品国产亚洲av| 免费无遮挡裸体视频| 淫秽高清视频在线观看| 国产在线精品亚洲第一网站| 3wmmmm亚洲av在线观看| 欧美色欧美亚洲另类二区| 日本黄大片高清| 一本久久中文字幕| 白带黄色成豆腐渣| 国产精品女同一区二区软件 | 老熟妇乱子伦视频在线观看| 国产高清有码在线观看视频| 91狼人影院| 久久久久久大精品| 怎么达到女性高潮| 欧美黑人欧美精品刺激| 亚洲精品乱码久久久v下载方式| 99国产极品粉嫩在线观看| 亚洲国产色片| .国产精品久久| 亚洲无线在线观看| 免费人成在线观看视频色| 国产精品一及| 蜜桃久久精品国产亚洲av| 最好的美女福利视频网| 亚洲人与动物交配视频| 身体一侧抽搐| 国产成人影院久久av| 国产探花极品一区二区| 黄色视频,在线免费观看| 成人欧美大片| 蜜桃亚洲精品一区二区三区| 神马国产精品三级电影在线观看| 亚洲av免费高清在线观看| 动漫黄色视频在线观看| 99riav亚洲国产免费| 九九在线视频观看精品| 久久午夜福利片| 精品不卡国产一区二区三区| 亚洲国产精品成人综合色| 亚洲午夜理论影院| 国产精品一及| 精品久久久久久成人av| 草草在线视频免费看| 国产在视频线在精品| 男女床上黄色一级片免费看| 脱女人内裤的视频| 男女床上黄色一级片免费看| 夜夜躁狠狠躁天天躁| 深夜精品福利| 99热精品在线国产| 国产成人福利小说| 小蜜桃在线观看免费完整版高清| 我的女老师完整版在线观看| 乱人视频在线观看| 啦啦啦观看免费观看视频高清| 日韩欧美三级三区| 欧美潮喷喷水| 色哟哟·www| 免费av观看视频| 琪琪午夜伦伦电影理论片6080| 亚洲人成网站高清观看| 美女黄网站色视频| 久久久久精品国产欧美久久久| 婷婷六月久久综合丁香| 校园春色视频在线观看| 午夜福利欧美成人| 人妻久久中文字幕网| 性欧美人与动物交配| 亚洲欧美日韩卡通动漫| 在线a可以看的网站| 熟女人妻精品中文字幕| 久久亚洲精品不卡| 男女那种视频在线观看| 嫩草影院精品99| 婷婷精品国产亚洲av| 日韩有码中文字幕| 亚洲美女视频黄频| 国产精品野战在线观看| 亚洲国产精品成人综合色| 国产爱豆传媒在线观看| 欧美另类亚洲清纯唯美| 久久久久久国产a免费观看| 激情在线观看视频在线高清| 熟女人妻精品中文字幕| 男女做爰动态图高潮gif福利片| av专区在线播放| 亚洲欧美日韩卡通动漫| 三级男女做爰猛烈吃奶摸视频| 在线观看午夜福利视频| 一区二区三区激情视频| 99在线视频只有这里精品首页| ponron亚洲| 免费在线观看成人毛片| 少妇人妻一区二区三区视频| 欧美另类亚洲清纯唯美| 国产精品一及| 成人欧美大片| av在线天堂中文字幕| 人妻制服诱惑在线中文字幕| 老鸭窝网址在线观看| 欧美日韩综合久久久久久 | 精品乱码久久久久久99久播| 欧美一级a爱片免费观看看| 国产精品日韩av在线免费观看| 人人妻人人看人人澡| 制服丝袜大香蕉在线| 亚洲av五月六月丁香网| 日本一二三区视频观看| 悠悠久久av| 日本撒尿小便嘘嘘汇集6| 精品久久久久久久久亚洲 | 高潮久久久久久久久久久不卡| 国产精品日韩av在线免费观看| 国产精品野战在线观看| 免费观看人在逋| 白带黄色成豆腐渣| 亚洲五月婷婷丁香| 国产三级中文精品| 精品午夜福利视频在线观看一区| 亚洲av.av天堂| 国产欧美日韩精品一区二区| 99国产综合亚洲精品| 午夜福利在线观看免费完整高清在 | 国产乱人伦免费视频| 亚洲人成伊人成综合网2020| 丰满人妻一区二区三区视频av| 成人永久免费在线观看视频| 麻豆国产av国片精品| av中文乱码字幕在线| 精品99又大又爽又粗少妇毛片 | 午夜福利成人在线免费观看| 自拍偷自拍亚洲精品老妇| 桃色一区二区三区在线观看| 亚洲片人在线观看| 中文字幕久久专区| 美女xxoo啪啪120秒动态图 | 在线免费观看的www视频| 十八禁国产超污无遮挡网站| 亚洲精品色激情综合| 看黄色毛片网站| 日韩欧美免费精品| 激情在线观看视频在线高清| 99riav亚洲国产免费| 日韩人妻高清精品专区| 国产成人欧美在线观看| 久久99热这里只有精品18| 看免费av毛片| 日韩欧美免费精品| 99视频精品全部免费 在线|