文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.212449
中文引用格式: 劉彤,楊德振,宋嘉樂,等. 空基下視多角度紅外目標(biāo)識別[J].電子技術(shù)應(yīng)用,2022,48(7):131-139.
英文引用格式: Liu Tong,Yang Dezhen,Song Jiale,et al. Air-based downward-looking multi-angle infrared target recognition[J]. Application of Electronic Technique,2022,48(7):131-139.
0 引言
采用多個復(fù)合翼無人機(jī)集群的空基紅外目標(biāo)探測識別系統(tǒng)進(jìn)行協(xié)同態(tài)勢感知是地面遠(yuǎn)程紅外制導(dǎo)的有效輔助手段。其中艦船和車輛目標(biāo)的智能識別算法作為當(dāng)代陸海防務(wù)系統(tǒng)中關(guān)鍵技術(shù),對于保障我國的國防安全具有重要的應(yīng)用價值。紅外圖像具有對比度高、作用距離遠(yuǎn)、穿透力強(qiáng)等特點(diǎn),熱成像不需要借助外界光源,隱蔽性好,可以全天時工作。目前多數(shù)車載系統(tǒng)的視角為平視,平視視場受限,而使用機(jī)載系統(tǒng)可以獲得更大的下視視場角,在實戰(zhàn)中能有效探測和攔截低空突防的威脅目標(biāo)。
傳統(tǒng)目標(biāo)識別算法難以對下視視場角的圖像進(jìn)行特征提取,作為端到端學(xué)習(xí)的深度學(xué)習(xí),能夠自動提取圖像特征,具有較好的目標(biāo)識別能力。北京理工大學(xué)的王旭辰等[1]提出基于深度學(xué)習(xí)的無人機(jī)載多平臺目標(biāo)檢測算法,使用Darknet-53網(wǎng)絡(luò)作為檢測器,在公開數(shù)據(jù)集UAV123和實測數(shù)據(jù)集中進(jìn)行檢測,驗證得到該算法在視角旋轉(zhuǎn)、目標(biāo)尺度變化以及障礙物遮擋下能進(jìn)行穩(wěn)定檢測。但文中僅使用了YOLOv3目標(biāo)檢測算法,并未對其進(jìn)行改進(jìn),檢測精度沒有得到提高。電子科技大學(xué)的劉瑞[2]針對空中目標(biāo)存在目標(biāo)尺度及疏密程度變化大、存在重疊、遮擋等問題,提出四級復(fù)雜度的航空圖像目標(biāo)檢測算法,采用復(fù)合擴(kuò)張主干網(wǎng)深度和寬度的方法構(gòu)建出四級復(fù)雜度的主干網(wǎng)絡(luò),再將主干網(wǎng)分別與FPN+PAN網(wǎng)絡(luò)、輸出頭網(wǎng)絡(luò)相結(jié)合,得到空中目標(biāo)檢測算法。在VisDrone-DET2020訓(xùn)練集下對提出的網(wǎng)絡(luò)進(jìn)行訓(xùn)練,將算法的mAP@[.5:.95]累計提升了0.65%,mAP@0.75累計提升了1.41%。但僅在公開數(shù)據(jù)集上進(jìn)行訓(xùn)練與檢測,該公開數(shù)據(jù)集僅為可見光數(shù)據(jù)集,不具備紅外數(shù)據(jù)集所具備的優(yōu)點(diǎn)。嚴(yán)開忠等[3]針對小型無人機(jī)載平臺算力受限、檢測速度慢的問題,提出了一種改進(jìn)YOLOv3的目標(biāo)檢測算法,引入深度可分離卷積對主干網(wǎng)絡(luò)進(jìn)行改進(jìn),降低網(wǎng)絡(luò)的參數(shù)和計算量,從而提高檢測速度。此外使用K-means生成先驗框的初始聚類中心,在邊界框回歸中使用CIoU損失,同時將DIoU與NMS相結(jié)合,提高算法的檢測精度。在自定義數(shù)據(jù)集中的mAP為82%,檢測速度從3.4 f/s提高到16 f/s。但算法的檢測精度和速度仍有待提高。上海交通大學(xué)的朱壬泰等[4]針對目前深度學(xué)習(xí)中多目標(biāo)檢測算法占用資源量大,無法在中小型無人機(jī)平臺上實時運(yùn)行的問題,提出了基于卷積神經(jīng)網(wǎng)絡(luò)計算優(yōu)化的算法。采用深度可分離卷積對計算量進(jìn)行優(yōu)化,將主干網(wǎng)Resnet18中的卷積層替換為深度可分離卷積,對改進(jìn)的算法在公開數(shù)據(jù)集PASCAL VOC 2007進(jìn)行驗證,得到在檢測精度不變的條件下,檢測速度達(dá)到56 f/s。但該算法在航拍數(shù)據(jù)集上的檢測精度由于與公開數(shù)據(jù)集分布的差異有所下降,對航拍目標(biāo)的適應(yīng)性不強(qiáng)。周子衿[5]針對深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜,機(jī)載平臺計算資源有限,以及航拍視角中小目標(biāo)數(shù)量大,難以對圖像特征進(jìn)行提取,容易出現(xiàn)漏檢和錯檢現(xiàn)象,對YOLOv3網(wǎng)絡(luò)進(jìn)行輕量化處理,在網(wǎng)絡(luò)稀疏化訓(xùn)練后進(jìn)行BN層的通道剪枝,此外使用K-maens++算法對先驗框進(jìn)行重定義,將改進(jìn)后的算法在自定義的DOTA-like數(shù)據(jù)集上進(jìn)行測試,算法權(quán)重模型大小下將98.7%,使得推理時間加快了60.5%,檢測速度提高了32.9%,檢測精度提高1.14%。但無人機(jī)的飛行高度較低,局限于超低空域附近,所看到的視場角受限。
本文詳細(xì)內(nèi)容請下載:http://ihrv.cn/resource/share/2000004602。
作者信息:
劉 彤1,2,3,楊德振1,4,宋嘉樂1,2,3,傅瑞罡3,何佳凱1
(1.華北光電技術(shù)研究所 機(jī)載探測中心,北京100015;2.中國電子科技集團(tuán)公司電子科學(xué)研究院,北京100015;
3.國防科技大學(xué) 電子科學(xué)學(xué)院ATR重點(diǎn)實驗室,湖南 長沙410073;
4.北京真空電子技術(shù)研究所 微波電真空器件國家重點(diǎn)實驗室,北京100015)