复杂动态场景下红外无人机目标检测方法研究

来源 :西安电子科技大学 | 被引量 : 0次 | 上传用户:z24514516210
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
无人机被广泛应用在民用和军用领域的同时也对公共安全和航路安全等构成威胁,因此对无人机目标智能感知技术的研究具有重要的现实应用迫切需求。热红外成像设备由于具备全天时的监视能力因此被广泛用于监测无人机,然而在远距离红外成像条件下,无人机目标特征微弱且很容易受到复杂背景的干扰,这对无人机的鲁棒检测带来了严峻的挑战。传统的目标检测方法对无人机目标的特征表征能力和知识利用有限,对复杂真实场景感知能力差。因此本文提出了两个新颖的红外无人机目标检测方法,主要研究内容如下:(1)针对红外弱小无人机目标(分辨率小于9×9)检测难度大的问题,提出了一种基于残差图像预测的红外弱小无人机目标检测框架,该框架将无人机目标检测问题转化为残差图像(背景、噪声和杂波)重建问题。首先学习从输入图像到残差图像的非线性映射,再通过该映射重建残差图像,最后用输入图像与残差图像做差得到弱小无人机目标图像。高质量地重建残差图像至关重要,因此本文基于此框架提出了两种残差图像重建网络。首先,本文提出了一种基于扩张残差全卷积自编码器网络的残差图像预测方法。在该方法中嵌入了构造的局部和全局扩张残差块,它既能够捕捉残差图像中的局部多尺度特征和上下文结构信息,也能融合不同层级之间的特征来指导残差图像的重建。另外在网络的上采样阶段利用子像素卷积对特征图进行采样来避免图像失真。实验结果表明提出方法对弱小无人机目标的检测精度相比最新经典红外目标检测方法有明显提升,并且对256×320的图像取得了32FPS的推理速度,满足反无人机系统的实时性需求。其次,针对上述提出的扩张残差全卷积自编码器网络对多层级特征利用率不高的问题,提出了一种新的多粒度信息表示与重组网络。在该方法中先利用扩张卷积替代下采样操作,在不减小特征图分辨率的同时构建不同感受野的层级特征。然后将设计的深度可分离残差稠密块嵌入到每个层级上来充分地提取由粗到细的多粒度信息。最后所有的层级特征会在提出的多尺度特征聚合模块中进行融合与重组,完成对残差图像的重建。实验结果表明提出方法的检测精度不仅远高于最新经典红外目标检测方法,也优于上述提出的基于扩张残差全卷积自编码器网络的残差图像预测方法。同时在256×320的图像上的推理速度从先前的32FPS增加到45FPS,取得了更好的实时性。(2)针对复杂动态场景下红外多尺度无人机目标检测的问题,提出了一种基于层级差异化拆分注意力网络的红外多尺度无人机目标检测方法。由于骨干网络不同层的特征对不同尺度目标检测的贡献不同,本文设计了三种新的差异化拆分注意力模块。首先将空间拆分注意力引入到骨干网络的浅层,来增强小尺度目标与邻域背景在空间维度上的特征差异,从而突出小尺度目标的微弱特征;然后将通道拆分注意力引入网络的深层,来强化大尺度目标跨通道的交互信息,提高模型的检测精度;最后将混合拆分注意力引入网络的中间层,来聚焦中尺度目标特征并帮助底层空间信息向高层通道信息的过渡。除此之外,本文也将动态通道注意力机制引入到特征融合的多分支金字塔结构中,旨在指导模型自适应地选择和增强多尺度无人机的鉴别性特征。在红外多尺度无人机数据集上的大量实验结果表明提出方法的检测精度和召回率都大幅超过了最新的经典目标检测基准方法。同时它能在512×640的红外图像上取得33FPS的推理速度,能够在反无人机系统中做到实时检测。本文研究了红外复杂背景下弱小无人机和多尺度无人机目标鲁棒检测的问题,分别提出了两种不同的红外无人机目标检测方法,在真实红外无人机数据集上的大量实验结果表明本文提出的两个方法能够取得精度和速度之间很好的平衡,研究成果将促进红外无人机目标智能感知方法和技术在反无人机监视系统中的实际应用。
其他文献
近年来传感器的精度不断提高,可以获得关于目标的多个量测,这使得扩展目标跟踪逐渐成为了研究热点,即既跟踪目标质心的运动状态,又估计跟踪目标的形状。随机集理论下的滤波器避免了复杂的数据关联,且精度较高,受到国内外学者的青睐。本文以随机集理论的泊松多伯努利混合(PMBM)滤波器为基础,在三维空间中,对扩展目标跟踪中的目标形状估计进行了研究,主要工作内容如下:(1)针对三维扩展目标形状估计中存在对量测数量
学位
传统的多目标跟踪算法都是根据点目标的假设,即在一次扫描中对单个目标只会形成至多一个点量测。由于激光雷达等新硬件的发展,每一个目标将会可能产生多个量测,目标的形状和范围将变得不可忽视,在对目标质心跟踪的同时,还要对目标的形状与范围等信息进行估计,由此产生了扩展目标跟踪问题。目前,扩展目标跟踪技术已经越来越多的应用于如室内外定位,自动驾驶,环境感知等领域。近年来,随着对随机有限集理论的进一步深入研究,
学位
目标检测作为深度学习的一个重要分支,已经被广泛应用于智能交通、工业质检和自动驾驶等领域,创造了巨大的经济价值,降低了人工成本。近年来对目标检测网络的改进主要集中在网络结构、数据预处理等方面,忽略了网络超参数的重要性。实验表明目标检测神经网络对超参数敏感,为了得到适应具体场景的最佳参数,往往需要耗费研究者大量的精力。因此,设计针对神经网络特点的高效超参数优化方法意义重大。本文对目标检测网络中的锚点超
学位
随着信息化的加速,新能源汽车、5G、人工智能和元宇宙等新兴产业蓬勃发展,电源管理芯片的应用场景更加广泛,各行业对电源的品质要求也越发严格,目前开关电源朝着高效低能耗、高功率密度、控制数字化、智能化和抗电磁干扰的方向发展。本文结合车载系统、通信电子及工业控制等应用场景,针对主流开关电源芯片存在的工作效率低下、系统瞬态响应速度慢和保护电路不够灵活等亟需解决的问题,进行了环路补偿优化、高效率和瞬态响应增
学位
近年来,步态识别领域的研究受到了学术界的极大重视。早期的步态识别算法通常基于计算机视觉或压力传感器,随着微机电系统(Micro Electro Mechanical System,MEMS)技术的发展,基于MEMS惯性传感器进行步态识别已经成为主流。步态识别是从惯性传感器数据中提取不同步态类型的特征,以识别受试者的运动状态。步态识别算法通常基于机器学习或深度学习,目前的研究大多采用卷积神经网络提取
学位
随着计算机硬件能力的提升和计算机视觉理论体系的不断完善,SLAM技术得以快速发展。目前视觉SLAM系统中以基于特征点法的前端作为主流,特征点法鲁棒性好,对环境、光照、动态物体不敏感,是现在比较完善的前端方案。但是当图像中提取不到足够的特征信息或者特征匹配效果较差时,系统后续的位姿估计准确度会受到很大的影响,甚至出现跟踪丢失的现象。针对特征点法存在的问题,本文对其做出改进,并提出针对多特征场景的视觉
学位
在智能化立体车库中,RGV作为重要的车辆运载装备,其运行精度、稳定性要求较高。传统RGV控制主要关注RGV软启动,定位准确性,对于柔性加减速控制关注较少。当前的加减速算法包括直线加减速法、指数加减速法、多项式加减速法、抛物线加减速法、S曲线加减速法等算法,存在加速度突变,不能体现柔性加减速的思想,或者算法复杂需要消耗控制器大量逻辑运算时间,抑或固定在控制器参数不方便调节。为此建立基于PLC控制的两
期刊
随着航天技术的发展和相关应用的深入,卫星等空间目标的数量日益增加,空间目标监测的重要性不断提高。而随着空间态势感知能力的提升,监测任务已不再局限于探测和跟踪,在轨姿态作为反映空间目标运动状态的重要参数,也受到了越来越多的关注。逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)具有全天时、全天候、远距离探测的能力,可以对目标进行高分辨率二维成像,获取目标的形
学位
伴随着电子信息技术的高速发展,无人作战飞机(UCAVs)凭借其出色的作战能力和低维护成本,成为了世界各国在信息战上的焦点。无人机自出现后已经改变了现代战争形式,也已经发展出多种多样的军事用途,而具有低成本特性、能够协同作战的无人机集群将在未来战争中发挥优势,是未来战争中的关键。而未来战场中信息量爆炸,无人机能否获得有效的战场态势信息,形成有利的决策是无人机对抗研究中的基础和重点。应用强化学习方法的
学位
数字图像是以二维数字像素组形式表示的图像类型,因其具有信息质量高、传输能力强、处理相对简单等特点而在众多领域得到了广泛应用,已成为日常生活中不可或缺的信息表达方式之一。近年来随着各种图像编辑软件的不断涌现,人们对图像的修改与编辑越来越容易,甚至能够轻松实现对图像内容的篡改与伪造,图像盗用、侵权等问题与日俱增,这对图像版权的保护无疑是一种巨大冲击。如何高效检测篡改图像并防止二次确权已成为图像内容版权
学位