红外航空图像自动目标识别的形态滤波神经网络算法
基于深度学习的红外目标识别与跟踪技术研究
基于深度学习的红外目标识别与跟踪技术研究近年来，随着人工智能领域的不断发展和深度学习算法的成功应用，基于深度学习的红外目标识别与跟踪技术也逐渐成为研究的热点。
本文将探讨该技术的基本理论、研究现状以及未来发展趋势。
一、基本理论在红外目标识别与跟踪技术中，深度学习算法主要有卷积神经网络（CNN）、循环神经网络（RNN）和深度置信网络（DBN）等。
其中，CNN是目前常用的神经网络模型，其优点在于具有良好的特征提取能力和高效的计算速度，因此被广泛应用于红外图像中的目标检测和识别任务。
基于深度学习的红外目标识别与跟踪技术主要包括图像预处理、目标检测和目标跟踪三个部分。
其中，图像预处理主要是对红外图像进行去噪和增强处理，使图像能够更好地被深度学习模型处理。
目标检测则是通过深度学习算法识别图像中的目标，常用的算法有Faster R-CNN和YOLO等。
目标跟踪则是通过对目标的拟合和跟踪来实现目标的实时定位和追踪。
二、研究现状近年来，基于深度学习的红外目标识别与跟踪技术得到了广泛的研究和应用。
目前在目标检测方面，基于CNN的深度学习算法已经取得了很大的进展，如Faster R-CNN、SSD和YOLO等算法已经成为业界的主流算法。
在目标跟踪方面，研究者们主要探究了基于卷积神经网络的目标跟踪方法。
例如，Held等人提出的DeepTrack方法通过对目标进行自适应的特征提取，实现了较好的跟踪效果。
此外，还有一些研究者将深度学习算法应用于红外人脸识别等领域。
例如，王震等人在红外人脸识别中应用了深度卷积神经网络，实现了较高的识别准确率。
三、未来发展趋势基于深度学习的红外目标识别与跟踪技术目前还存在一些问题，如如何提高模型的鲁棒性、如何在复杂环境中实现高效的目标跟踪等。
未来的研究方向主要集中在以下几个方面：1. 提高深度学习算法的鲁棒性。
研究者们需要进一步探索如何利用跨领域数据增加模型的鲁棒性，以及如何集成多种算法来提高模型的预测能力。
基于形态学和信息熵的红外目标检测算法
基于形态学和信息熵的红外目标检测算法
红外目标检测是一种重要的技术，可以在夜间或低光条件下检测目标。
基于形态学和信息熵的红外目标检测算法是一种有效的方法，可以提高检测的准确性和效率。
形态学是一种数学方法，用于分析和处理图像中的形状和结构。
在红外目标检测中，形态学可以用于提取目标的形状和边缘信息。
例如，可以使用开运算和闭运算来消除噪声和填充空洞，从而提高目标的识别率。
信息熵是一种度量信息量的方法，可以用于评估图像中的信息量。
在红外目标检测中，信息熵可以用于评估目标和背景之间的差异。
例如，可以使用信息熵来确定目标和背景的灰度分布，从而提高目标的检测率。
基于形态学和信息熵的红外目标检测算法可以分为以下步骤：
1. 预处理：对红外图像进行预处理，包括去噪、增强和分割等操作。
2. 形态学处理：使用形态学方法提取目标的形状和边缘信息，包括开运算、闭运算、膨胀和腐蚀等操作。
3. 信息熵计算：计算目标和背景之间的信息熵，确定目标和背景的灰度分布。
4. 目标检测：根据信息熵和形态学处理结果，进行目标检测和识别。
基于形态学和信息熵的红外目标检测算法具有以下优点：
1. 可以提高目标的检测率和识别率，减少误检和漏检。
2. 可以适应不同的红外图像，具有较好的通用性和鲁棒性。
3. 可以快速处理大量的红外图像，提高检测的效率和准确性。
基于形态学和信息熵的红外目标检测算法是一种有效的方法，可以提高红外目标检测的准确性和效率。
在未来的研究中，可以进一步优化算法，提高其性能和应用范围。
红外小目标抗干扰跟踪算法研究
红外小目标抗干扰跟踪算法研究红外小目标抗干扰跟踪算法研究摘要：红外小目标的抗干扰跟踪是红外成像系统研究的重要课题之一。
本文针对目前红外小目标跟踪中存在的干扰问题，提出了一种基于深度学习和滤波技术相结合的抗干扰跟踪算法。
该算法通过深度学习网络对目标进行初步识别，然后利用滤波技术对目标进行跟踪，从而提高了跟踪的准确性和鲁棒性。
实验结果表明，该算法在复杂干扰环境下具有良好的抗干扰能力，能够稳定跟踪红外小目标。
关键词：红外小目标、抗干扰、跟踪算法、深度学习、滤波技术1. 引言红外成像技术已广泛应用于军事、医疗、工业等领域，其中红外小目标的跟踪是关键的研究方向之一。
然而，由于红外传感器本身的局限性以及环境中的复杂干扰，红外小目标的跟踪面临着诸多挑战。
因此，开发一种抗干扰能力强的红外小目标跟踪算法具有重要的理论和应用价值。
2. 相关工作目前，研究者们在红外小目标跟踪领域已经取得了一些进展。
一些算法利用传统的图像处理方法进行目标识别和跟踪，例如边缘检测、区域生长等。
然而，这些方法对于复杂干扰环境下的目标跟踪效果不佳。
另外，一些研究者尝试采用红外图像的特征提取和纹理分析等方法进行目标跟踪，这些方法能够一定程度上提高跟踪的准确性，但对于干扰的抵抗能力较弱。
3. 红外小目标抗干扰跟踪算法本文提出了一种基于深度学习和滤波技术相结合的抗干扰跟踪算法。
该算法的基本思路是首先利用深度学习网络对目标进行初步识别，然后利用滤波技术进行跟踪。
3.1 深度学习网络深度学习网络是一种强大的模式识别工具，可以对图像进行特征提取和分类。
在本算法中，我们使用预训练的卷积神经网络来提取红外图像中目标的特征。
通过网络的学习和训练，我们可以得到目标的特征向量，用于后续的跟踪过程。
3.2 目标跟踪滤波器在红外小目标跟踪中，滤波技术是一种常用的方法，其基本原理是利用目标的动态特性进行滤波处理，从而实现目标的跟踪。
在本算法中，我们采用了卡尔曼滤波器。
神经网络算法在遥感图像处理中的应用研究
神经网络算法在遥感图像处理中的应用研究遥感图像处理是遥感技术的核心应用之一，它涉及到遥感图像的获取、处理和分析。
随着计算机科学和人工智能的发展，神经网络算法逐渐成为遥感图像处理的重要工具。
本文将讨论神经网络算法在遥感图像处理中的应用研究，重点关注其在遥感图像分类和目标检测中的应用。
神经网络算法是一种灵活且强大的机器学习算法，它可以从数据中学习和提取特征，并根据学习到的知识进行预测和分类。
在遥感图像处理中，神经网络算法可以通过大规模的遥感数据集进行训练，并将图像分类和目标检测任务作为监督学习的问题进行解决。
首先，神经网络算法在遥感图像分类中的应用已经取得了显著的成果。
遥感图像分类是指将遥感图像中的不同地物进行分类和识别，例如水体、森林、城市等。
传统的遥感图像分类方法主要依赖于手工设计的特征和分类器，但这种方法往往需要耗费大量的时间和精力。
相比之下，基于神经网络的遥感图像分类方法能够自动学习图像中的特征，并且在大规模的遥感数据集上展现出更好的性能。
其次，神经网络算法在遥感图像目标检测中也得到了广泛应用。
遥感图像目标检测是指在遥感图像中自动识别和定位目标物体，例如建筑物、车辆等。
传统的遥感图像目标检测方法主要依赖于手工设计的特征和目标检测算法，但这种方法需要花费大量的人力和时间。
相反，基于神经网络的遥感图像目标检测方法可以自动学习图像中的特征，并在大规模的遥感数据集上取得更好的检测性能。
此外，随着深度学习的不断发展，卷积神经网络（Convolutional Neural Network，CNN）在遥感图像处理中的应用也越来越广泛。
卷积神经网络是一种专门用于处理图像和空间数据的神经网络，它通过层叠的卷积层、池化层和全连接层实现对图像的特征学习和分类识别。
通过这种结构，卷积神经网络可以自动学习局部纹理、颜色和形状等图像特征，并在遥感图像处理中实现更精确的分类和目标检测。
在遥感图像处理中，神经网络算法的应用还面临一些挑战和问题。
红外图像处理中的目标检测与跟踪技术研究
红外图像处理中的目标检测与跟踪技术研究摘要：随着红外技术的快速发展和广泛应用，红外图像处理成为了研究的热点之一。
在红外图像处理中，目标检测与跟踪是重要的关键技术，它们在军事、航天、安防等领域发挥着重要作用。
本文将就红外图像处理中的目标检测与跟踪技术进行探讨与研究。
1. 引言红外图像处理是通过对红外图像的采集、传输、处理和分析来提取所需信息的技术，它广泛应用于军事、航天、安防等领域。
而在红外图像处理中，目标检测与跟踪是其中的重要技术，它们不仅能够快速、准确地识别目标，还能够在目标运动过程中进行跟踪，提供更多有关目标的信息。
2. 红外图像目标检测红外图像目标检测是指在红外图像中寻找感兴趣的目标或区域的过程。
目标检测分为两个主要步骤：目标候选区域生成和目标候选区域分类。
目标候选区域生成是通过一系列的图像处理算法和特征提取方法，识别可能包含目标的区域。
常用的方法包括滑动窗口、特征金字塔等。
而目标候选区域分类则是通过分类器对目标候选区域进行分类，区分出目标和非目标。
常见的分类器包括支持向量机（SVM）、卷积神经网络（CNN）等。
此外，红外图像目标检测中还需要考虑红外图像的特殊性质，比如低信噪比、热噪声等，并对算法进行相应改进，以提升检测的准确性和鲁棒性。
3. 红外图像目标跟踪红外图像目标跟踪是指在连续帧红外图像中追踪目标的位置、形状、运动状态等信息。
目标跟踪可以分为两个主要步骤：目标特征提取和目标位置预测。
目标特征提取是通过对目标的外观、运动等特征进行描述，提取出有区分度的特征向量。
常用的特征包括颜色、纹理、边缘等。
而目标位置预测是通过对目标过去的运动状态进行分析，预测出目标在下一帧的位置。
常见的预测方法包括卡尔曼滤波、粒子滤波等。
红外图像目标跟踪面临的主要挑战包括目标尺度变化、目标遮挡、背景干扰等，因此需要综合运用多种算法和方法来提高跟踪的精度和鲁棒性。
4. 红外图像处理中的挑战与展望红外图像处理中的目标检测与跟踪技术面临着诸多挑战。
《红外弱小目标识别与追踪算法研究》范文
《红外弱小目标识别与追踪算法研究》篇一一、引言随着红外成像技术的不断发展，红外弱小目标的识别与追踪技术在军事侦察、安全监控、自动驾驶等领域中发挥着越来越重要的作用。
然而，由于红外图像中目标通常具有亮度低、对比度差、尺寸小等特点，使得目标的识别与追踪成为一项具有挑战性的任务。
本文旨在研究红外弱小目标的识别与追踪算法，以提高目标检测的准确性和实时性。
二、红外弱小目标的特点及挑战红外弱小目标通常指在红外图像中具有低亮度、小尺寸和低信噪比的目标。
由于目标亮度与背景噪声的差异较小，使得目标在图像中难以被准确识别和定位。
此外，目标的运动状态和背景的复杂性也给目标的追踪带来了困难。
因此，红外弱小目标的识别与追踪算法需要具备较高的鲁棒性和准确性。
三、红外弱小目标识别算法研究针对红外弱小目标的识别问题，本文研究了多种算法，包括基于滤波的方法、基于特征的方法和基于机器学习的方法。
1. 基于滤波的方法：该方法主要通过设计合适的滤波器对红外图像进行预处理，增强目标的信噪比。
常见的滤波器包括高斯滤波器、中值滤波器等。
通过对滤波参数的优化，可以有效地提高目标的识别率。
2. 基于特征的方法：该方法主要通过对目标的形状、纹理等特征进行提取和匹配，实现目标的识别。
在红外弱小目标的识别中，常用的特征包括边缘特征、角点特征等。
通过特征提取和匹配，可以有效地提高目标的定位精度。
3. 基于机器学习的方法：随着机器学习技术的发展，越来越多的算法被应用于红外弱小目标的识别中。
常见的算法包括支持向量机（SVM）、神经网络等。
通过训练大量的样本数据，可以有效地提高算法的识别准确率。
四、红外弱小目标追踪算法研究针对红外弱小目标的追踪问题，本文研究了基于滤波的方法和基于多特征融合的方法。
1. 基于滤波的方法：该方法主要通过设计合适的滤波器对目标进行预测和更新，实现目标的追踪。
常见的滤波器包括卡尔曼滤波器、粒子滤波器等。
通过对滤波器的优化和调整，可以有效地提高目标的追踪精度。
一种改进的BP神经网络红外目标识别方法
文章主要研究 Ｂ Ｐ神 经 网络 算 法 在 红 外 图像 的 目标 识 别 中 的应 用 。 对 红 外 图 像 中 的 目标进 行 识 别 ， 辨 认 出 目标 的类 型 并 获
得 目标 的 一 些 特 征 参 数 ， Ｂ Ｐ神 经 网 络 算 法 可 很 好 地 用 于 红 外 图
式（ １ ） 中， 当 Ｘ趋 向 ０或 １时 ， ｈ （ ｘ ） 趋 向无 穷 大 ， 因此 ， 当神 经 元 的 输 出 为 ０或 １时 ， 误差 信 号也 会 随之 放 大 ， 这 样 就 使 权 值
传统 Ｂ Ｐ神 经 网络 算 法 的 一 些 缺 陷 ， 增 加 一 个放 大 因子 并 自适 应 的调 整 学 习速 率 来 提 高算 法 训 练速 度 。 基 于 这 种 改 进 后 的
Ｂ Ｐ算法， 对 三 种 军 事பைடு நூலகம்目标 （ 飞机 、 轮船、 坦克 ） 进行 识 别 ， 证 明 算 法 的有 效性 。 关键 词 ： 目标 识 别 ， 神 经 网络 ， Ｂ Ｐ算 法
１ ９ Ｂ ６年 提 出 的 ， 是 目前 一种 应 用 广泛 的 神 经 网 络 模 型 。其 基 本 模型结构 为包括输入层 ， 隐含 层 和 输 出层 ， 隐 含 层 可 以有 多个 ，
一
的调 整 影 响 要 大 得 多 ，所 以 文 章 将 放 大 因子 放 在 隐含 层 与 输 出 输 出层 和 隐 含 层 之 间 加 入 一 个 放 大 因子 的方 法 在 误 差 较 平 坦 的 区域 在 一 定 程 度 上 能 加 快 收 敛 速 度 ，但 在 有 一 定 程 度 的坡
ｔ ｉ ｆ ｅｄ ｔ ｏ ｔ ｅｓ ｔ ｔ ｈ ｅ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅｎ ｅ ｓ ｓ ｏ ｆ ｔ ｈ ｅ ｉ ｍ ｐｒ ｏｖ ｅ ｄ ａｌ ｇｏ ｒ ｉ ｔ ｈ ｍ． Ｋｅｙ ｗｏｒ ｄｓ ： ｔ ａｒ ｇ ｅ ｔ ｉ ｄ ｅｎ ｔ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏｎ． ｎ ｅ ｕｒ ａｌ ｎｅ ｔ ｗｏ ｒ ｋ ， ＢＰ ａｌ ｇｏｒ ｉ ｔ ｈ ｍ
基于改进YOLO模型的红外图像微小目标检测方法
基于改进YOLO模型的红外图像微小目标检测方法目录1. 内容概览 (2)1.1 研究背景 (3)1.2 红外图像微小目标检测的重要性 (4)1.3 YOLO模型及其局限性 (4)1.4 研究意义与贡献 (6)2. 相关工作综述 (7)2.1 红外图像目标检测技术 (8)2.2 YOLO模型的基础知识 (10)2.3 微小目标检测方法 (11)2.4 改进YOLO模型的一般策略 (12)3. 基于红外图像的微小目标特点分析 (13)3.1 红外图像特征 (14)3.2 微小目标检测难点 (15)3.3 基于特征的改进思路 (16)4. 改进YOLO模型 (17)4.1 改进YOLO模型的设计理念 (18)4.2 微小目标检测算法原理 (20)4.3 网络结构改进 (20)4.4 训练与优化策略 (22)5. 实验验证与结果分析 (23)5.1 实验环境与数据集 (24)5.2 实验设置与方案 (25)5.3 实验结果与分析 (26)6. 应用实例 (27)6.1 遥感监测 (28)6.2 监控系统 (29)6.3 其他可能应用 (31)7. 结论与展望 (32)7.1 研究总结 (34)7.2 存在问题与不足 (35)7.3 未来工作方向 (36)1. 内容概览本文档详细阐述了基于改进模型的红外图像微小目标检测方法。
在日益增长的对微小目标检测的需求背景下，红外成像技术因其在低光条件下的优势，成为现代视觉系统中的重要组成部分。
然而，实时红外图像中，微小目标的检测是一个极具挑战性的课题，尤其当目标物体的尺寸远小于传统相机像素分辨率等情况。
为此，我们设计和实施了一种改进后的算法模型，用于增强红外图像中的目标识别和定位能力。
本方法通过优化网络架构、训练数据增强、正则化损失函数以及后处理等技术手段，显著提升了在红外图像中检测微小目标的准确性和鲁棒性。
对原始模型结构的详细分析及改进之处，包括特征提取层、特征融合机制以及输出层的调整。
一种新的红外机动目标识别算法
２ ０ １ ３年 ３月
激 光 与 红 外
ＬＡＳ ＥＲ ＆ Ｉ ＮＦＲＡＲＥＤ
Ｖｏ １ ． ４ ３． Ｎｏ． ３ Ｍａ ｒ ｃ ｈ． ２ ０１ ３
文章编号 ： １ ０ ０ １ － ５ ０ ７ ８ （ ２ ０ １ ３ ） ０ ３ － ０ ３ ２ ４ － ０ ５
ｔ ａ ｒ ｇ ｅ ｔ ｓ ． Ｉ ｔ ｉ ｓ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｅ ｓ ｐｅ ｃ ｉ ａ ｌ ｌ ｙ ｆ ｏ ｒ ｔ ｈ ｅ ｐａ ｒ ｔ ｉ ａ ｌ ｌ ｙ ｏ ｃ ｃ ｌ ｕｄ ｅ ｄ ｔ ａ ｒ ｇ ｅ ｔ ｓ ． Ｋｅ ｙ ｗｏｒ ｄ ｓ： ｂ ａ ｃ ｔ ｅ ｒ ｉ ａ ｌ ｆ ｏ ｒ ａ ｇ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ； ＢＰ ｎ ｅ ｕ ｒ ￣ ｎ ｅ ｔ ｗｏ ｒ ｋ； ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ； ｔ ａ ｒ ｇ ｅ ｔ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ
的识 别算 法。通 过 自适应 步长 的细菌 觅 食 算法 对 Ｂ Ｐ神 经 网络进 行 优 化 ， 利 用 图像 中 目标 的 最左 点和 最右 点及 两极 点上 部 的 目标边 缘信 息构 造 以局 部 面积 比组成 的特征 向量 ， 通过 神 经 网络 对 目标 分 类识别 。实验 结果表 明本 文提 出的识别 算 法不仅 提 高 了 Ｂ Ｐ神经 网络 的收敛 速 度和 计算 精度 ， 同时有 效地提 高 了对机 动 目标 的识别率 ， 当 目标 部分 区域被 遮挡 时也 有很好 的
ｎ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｍｐ ｒ ｏ ｖ ｅ ｓ ｔ ｈ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ｏ ｆ Ｂ Ｐ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ａ ｎ ｄ ｔ ｈ ｅ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｒ ａ ｔ ｅ ｏ ｆ ｍｏ ｂ ｉ ｌ ｅ
红外小目标检测与跟踪算法研究共3篇
红外小目标检测与跟踪算法研究共3篇红外小目标检测与跟踪算法研究1红外小目标检测与跟踪算法研究红外小目标检测和跟踪是指根据红外图像信息，识别出图像中的小目标，并跟踪其运动轨迹。
这一领域与军事、安防等方面有着重要的应用价值。
针对这一问题，目前已经涌现出了很多相关的研究成果。
红外小目标检测与跟踪技术的研究主要面临着两个关键难题：一是如何从复杂的背景中准确提取出目标；二是如何在目标运动轨迹复杂多变的情况下，实现对目标的快速、准确跟踪。
在红外小目标检测方面，常用的方法主要有基于像素的方法和基于特征的方法。
基于像素的方法是指利用像素的灰度信息进行目标提取，例如常用的背景差分法和帧间差分法。
这些方法简单易于实现，但是对目标和背景的分离要求较高，在存在强烈噪声和变化的情况下效果可能不佳。
相比之下，基于特征的方法则能更好地克服这些问题。
其中，既有基于几何形状特征的方法，如Hough变换、连通区域分析等；也有基于局部纹理、颜色特征的方法，如基于Gabor滤波器、小波变换等方法。
利用人工神经网络可以对进一步的信息抽取，从而提高检测性能。
这些方法对目标的提取效果较好，但是对搜索速度和目标方向变化较快的情况下稳定性还有待进一步提高。
针对红外小目标跟踪问题，目前常用的方法主要有基于模型预测的方法和基于特征匹配的方法。
基于模型预测的方法即通过先验知识，构建出目标的运动模型，再通过运动模型预测目标在下一帧中的位置，从而实现对目标的跟踪。
该方法具有较强的鲁棒性和准确性，但是需要较多的先验知识和手工定义。
基于特征匹配的方法则是利用图像中不同区域之间的共性特征，如颜色、纹理等信息，实现对目标的跟踪。
该方法容易实现，但对目标的选择、特征提取等方面存在较大的挑战。
除此之外，还有一些新兴的算法应用在红外小目标检测和跟踪中，如卷积神经网络（CNN）和深度学习等技术。
这些方法通过检测和跟踪的联合优化，实现了对目标的更加准确和稳定的跟踪。
在将红外小目标检测和跟踪技术广泛应用于实际工程中时，我们需要考虑实际应用中的问题，如复杂场景下的干扰、恶劣的天气条件等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
收稿日期:2001-06-18;修订日期:2002-04-15基金项目:上海市科学技术发展基金资助项目文章网址:http://www.hkxb.net.cn/hkxb/2002/04/0368/
文章编号:1000-6893(2002)04-0368-05
红外航空图像自动目标识别的形态滤波神经网络算法
李予蜀1,3,余 农2,3,吴常泳2,汤心溢2,李范鸣2(1.华中科技大学,湖北武汉 430074)(2.中国科学院上海技术物理研究所,上海 200083)(3.空军第一航空学院,河南信阳 464000)MORPHOLOGICALNEURALNETWORKSWITHAPPLICATIONSTOAUTOMATICTARGETRECOGNITIONINAERONAUTICSINFRAREDIMAGELIYu-shu1,3,YUNong2,3,WUChang-yong2,TANGXin-yi2,LIFan-ming2
(1.HuazhongUniversityofScienceandTechnology,Wuhan,430074,China)(2.ShanghaiInstituteofTechnicalPhysics,ChineseAcademyofSciences,Shanghai200083,China)(3.AirForceCollegeofAeronauticalTechnology,Xinyang464000,China)
摘 要:提出了一种有实用意义的形态滤波神经网络模型及其自适应BP学习算法。形态滤波网络的优化设计过程实际上是网络参数(结构元素)不断调整、逐步适应图像环境的优化学习过程,从而将目标客体的特征规律反映到网络结构上来,以实现对复杂变化的图像具有良好的滤波性能和稳健的适应能力。为结合运动图像目标的检测需要,采用了渐进收缩误差、适时校正网络权值的动态跟踪学习算法。通过实验结果可以看出,该算法不仅能适应复杂多样的背景环境,而且对运动目标的连续检测能力具有位移不变、伸缩不变和旋转不变的特性。关键词:数学形态学;图像分析;目标检测;神经网络;优化计算中图分类号:TP391 文献标识码:A
Abstract:Apracticalneuralnetworkmodelofmorphologicalfilterswithitsoptimalparameterstrainingalgo-rithmisproposed.Forapplicationtotheinfraredmotionalimagetargetdetection,adynamictrainingalgo-rithm,namelyMorphologicalAdjusted-WeightNeuralNetwork(MANN),isappliedtothedetectingprocessusingtheasymptoticshrinkingerrorandappropriatenetworkweightsadjusting.Experimentalresultsshowthatthealgorithmhasaninvariantpropertywithrespecttotheshift,scaleandrotationofthemovingtargetinthecontinuingdetectionofmovingtargets.Keywords:mathematicalmorphology;imageanalyzing;targetdetection;neuralnetwork;optimizationcom-puting
航空图像目标的自动识别是军事遥感侦察和战场感知的一项重要任务[1]。由于红外成像技术具有隐蔽性好、探测范围广、定位精度高、识别伪装能力强、穿透距离远以及轻质小巧、低耗可靠等优点而备受青睐,已成为当前智能化光电探测技术发展的主流和方向[2]。利用前视红外仪(FLIR)摄取航空图像进行目标探测时,除尽可能降低传感器噪声外,系统探测性能还主要受到:小目标特性(缺乏必要的形状、尺寸和纹理等信息)、强起伏背景、动态视场环境、大容量数据、高速率处理等因素影响[1,2]。近年来用于红外运动图像分析的各种处理方法研究活跃[1～3]。目前开发的大多数分析算法也都存在着对噪声敏感的问题,求解三维运动参数中还含有一个需要先验知识才能确定其动量因子的选择问题。而光流法在实际应用中常常会暴露出稳定性不足的问题[2]。本文在文献[4,5]的基础上,继续完成了最为实用的两类形态滤波算子——开、闭运算神经网络的模型设计。网络权值即为形态滤波参数——结构元素,它在空间上的数值分布构成为一个特定的曲面。形态滤波参数设计的过程实际上是这一特定曲面不断优化和完善的过程,其实质就是解决滤波器设计过程中知识获取和知识精炼的机器学习问题。结合实际应用要求,采用从实例集(训练样本空间)中进行优化训练的概念学习方法。形态滤波神经网络所具有的自组织结构体系在对示例的学习(参与对外环境的交互作用)过程中,各神经元相互竞争与协作,不断调整其网络权
第23卷 第4期2002年 7月 航 空 学 报ACTAAERONAUTICAETASTRONAUTICASINICA Vol.23No.4July2002值并分布式地存贮于各神经元中,从而赋予神经网络某种智能,实现图像形态的优化滤波与目标识别功能。为提高实际问题(运动目标检测)的求解效能,学习过程中融入了应用领域的相关知识来加以约束和引导,使用启发式方法同学习规则相结合的动态跟踪学习算法,试图同时满足效率和通用性两方面的要求,以获得整体性能更优的学习效果。
1 形态滤波神经网络模型形态学的腐蚀、膨胀、开、闭四种基本运算的定义和形态滤波参数——结构元素的空间数值分布关系可参阅有关文献[3,6]。为限定值域搜寻空间,提高算法优化效率,需对结构元的动态范围进行赋值预处理。这时,可用序列图像评估出的灰度上界fmax和下界fmin来确定样本集在灰度层上的余留空间,并以此规范结构元B的数值容限。设图像的灰度范围为[0,1,…,L-1],则B的分量bi(1≤i≤M)的可变范围为[0,bmax],其中bmax=min{fmin,L-fmax-1}。同时,为便于对模式样本进行统一分析,需实行归一化处理,将每个模式样本的能量值进行统一的单位度量。当实现硬件操作时,这种量化预处理还有利于降低图像信号的动态范围,节省存贮空间。设形态滤波器输入端第k个模式样本数据分布形式为F(0)k={f(0)k1 f(0)k2 … f(0)kM},而对应的结构元素为B(0)={b(0)1 b0)2
… b0M}。采用评估的图像灰度上界fmax和计算
的bmax值来归一化模式样本F(0)k和结构元素B(0),将取值范围限制为[0,1]。此时,可直接计算Fk={f(0)ki/fmaxûi=1,2,…,M},并且B={b(0)i/bmaxûi=1,2,…,M}。考虑到腐蚀和膨胀运算具有对偶性[6],于是,形态学腐蚀和膨胀运算的表达式[6]便修改为Yk=Fk-○B=min{max[0,fk1-b1],max[0,fk2-b2],…,max[0,fkM-bM]}(1)Yk=Fk+○B=max{min[1,fk1+bM],min[1,fk2+bM-1],…,min[1,fkM+b1]}(2) 按式(1)、(2)的形态学运算关系,可直接设计出腐蚀和膨胀运算的神经网络结构[4,5]。利用腐蚀和膨胀运算的组合逻辑[6],可进一步设计出形态学开、闭运算的三层前馈神经网络模型,如图1所示。当隐含层为腐蚀运算网络而输出层为膨胀运算网络时,构成形态学开运算神经网络。反之,当隐含层为膨胀运算网络而输出层为腐蚀运算网络时,构成形态学闭运算神经网络。
图1 形态学开/闭运算神经网络模型Fig.1 Neuralnetworksofopeningorclosingoperation结构元B作为一种特定的模板窗在整个图像平面上进行一次滑动滤波(此时参与运算的只是模板窗内的图像数据)便可完成图像的膨胀或腐蚀运算。而开、闭运算时则需要结构元素B在图像平面上分别进行两次滑动滤波,因而在输出层的每个节点上参与运算的输入层图像数据已经超出了模板窗B的范围。设隐含层的运算结果为G={(z,g(z))ûz∈R,RAE2},为保证模板窗对每层输入数据的严格约束,便在开、闭运算的神经网络结构中引入了二值化的限定权矢量W1和W2。即
W1(x,m)=1 腐蚀:x+m∈P,m∈S1 膨胀:x-m∈P,m∈S0 其他(3)
W2(z,n)=1 腐蚀:z+n∈R,n∈S1 膨胀:z-n∈R,n∈S0 其他(4)
2 自适应BP学习算法理论上已经证明(BP定理),三层前馈网络能够以任意的误差精度逼近任何复杂的变换函数[7]。本文采用的概念学习方法是对概念描述空间的一种启发式搜索,概念描述空间的状态寻优是对原始图像数据(训练样本集)使用一定的学习规则完成的。学习规则中需要引入相关的先验知识和统计规律加以约束,并提供优选标准(代价函数)以引导求解过程。对于滤波参数的优化训练而言,最关键的乃是形态滤波器的非线性映射输出要尽量地逼近训练样本的期望值,即要求最优解同所给示例保持一致且为最短的描述。同时,还需兼顾终止算法(停机准则)的可操纵性。因此,选用
369 第4期李予蜀等:红外航空图像自动目标识别的形态滤波神经网络算法