论文部分内容阅读
随着图像处理、机器学习和人工智能的快速发展,自动目标识别(Automatic Target Recognition,ATR)系统在现阶段和未来武器发展过程中扮演着越来越重要的地位。其中,飞机目标识别作为ATR系统的一个重要组成部分,在自动监视与侦查、精确制导与敌我身份识别等方面具有极为重要的作用。在飞机目标识别过程中,由于飞机姿态多变、种类繁多、外界环境干扰等原因导致飞机目标识别率低下。本文针对这些问题,对飞机飞行过程展开深入研究,利用多特征信息融合与序列信息融合,对飞机建立全姿态模型,在一定程度上解决了由于姿态多变导致的识别率低下问题,同时兼顾了算法的实时性,本文主要工作如下:在对主流飞机目标识别算法研究的基础上,引入模式识别中常用的隐马尔科夫模型(Hidden Markov Model,HMM)对飞机飞行过程进行全姿态建模,利用多特征融合的方法构建观察值序列,提出了一种基于极限学习机(Extreme Learning Machine,ELM)与HMM的序列飞机目标识别算法。本算法的特征如下:一是提取飞机目标的轮廓局部奇异值特征、尺度不变特征变换(Scale-invariant feature transform,SIFT)作为图像特征;二是利用ELM 算法训练单隐层前馈神经网络(Single Hidden-layer Feedforward Neural Networks),将其作为分类工具,构建基本信度赋值(Basic Belief Assignment,BBA),再利用DSmT(Dezert-Smarandache Theory)融合理论中的PCR5公式,对图像的两种不同特征进行多特征融合从而得到目标观察序列;三是对每类飞机进行HMM建模,采用7个中间姿态作为飞机HMM的状态值去描述飞机的全姿态飞行过程,这是本文的一大创新点,最后根据获得的目标观察值序列,计算观察值序列与各类飞机模型之间的相似度,从而完成飞机目标的识别。最后,通过各种仿真实验,表明本算法下飞机平均正确识别率可以达到95.4%,同时在发生飞机序列目标帧遮挡、缩放等条件下,依然可以保持较高的识别率,在实时性方面,本算法也有一定的优越性。