红外成像导引头抗干扰性能评价指标体系

目前,各类红外成像制导导弹面临的主要问题是抗干扰能力的强弱,包括自然环境干扰和人工干扰两种;因此红外导引头的抗干扰性能成为各类红外制导导弹的关键性能,极大地影响到导弹的作战性能;为了能够合理的评价红外成像导引头的抗干扰性能,就必须制定合理的红外成像导引头抗干扰性能评价指标;为此,笔者根据红外成像导引头的抗干扰工作过程及其特点,以及传统的评价指标,并借鉴深度学习的评价指标,提出了由截获能力、识别能力、跟踪能力和命中精度能力这四方面组成的抗干扰性能评价指标体系;明确了四项指标下的二级指标内涵和计算方法,根据红外仿真与数据处理结果表明,这4种评价指标均可以有效地体现出导引头抗干扰性能的强弱,而且识别能力和命中精度这两个指标更加突出,故笔者所提出的红外成像导引头抗干扰性能指标体系及其计算方法,均可成为红外成像制导导弹抗干扰性能评估的判断依据.     

遥感图像飞机目标分类的卷积神经网络方法

目的 遥感图像飞机目标分类,利用可见光遥感图像对飞机类型进行有效区分,对提供军事作战信息有重要意义。针对该问题,目前存在一些传统机器学习方法,但这些方法需人工提取特征,且难以适应真实遥感图像的复杂背景。近年来,深度卷积神经网络方法兴起,网络能自动学习图像特征且泛化能力强,在计算机视觉各领域应用广泛。但深度卷积神经网络在遥感图像飞机分类问题上应用少见。本文旨在将深度卷积神经网络应用于遥感图像飞机目标分类问题。方法 在缺乏公开数据集的情况下,收集了真实可见光遥感图像中的8种飞机数据,按大致4∶1的比例分为训练集和测试集,并对训练集进行合理扩充。然后针对遥感图像与飞机分类的特殊性,结合深度学习卷积神经网络相关理论,有的放矢地设计了一个5层卷积神经网络。结果 首先,在逐步扩充的训练集上分别训练该卷积神经网络,并分别用同一测试集进行测试,实验表明训练集扩充有利于网络训练,测试准确率从72.4%提升至97.2%。在扩充后训练集上,分别对经典传统机器学习方法、经典卷积神经网络LeNet-5和本文设计的卷积神经网络进行训练,并在同一测试集上测试,实验表明该卷积神经网络的分类准确率高于其他两种方法,最终能在测试集上达到97.2%的准确率,其余两者准确率分别为82.3%、88.7%。结论 在少见使用深度卷积神经网络的遥感图像飞机目标分类问题上,本文设计了一个5层卷积神经网络加以应用。实验结果表明,该网络能适应图像场景,自动学习特征,分类效果良好。     

特征点和不变矩结合的遥感图像飞机目标识别

传统的飞机目标识别算法一般是通过目标分割,然后提取不变特征进行训练来完成目标的识别。但是,对于实际情况比较复杂的遥感图像飞机目标,至今没有一种适合多种机型的分割和识别算法。针对现有识别算法的不足,本研究提出一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的遥感图像飞机目标识别算法。方法：首先,对预处理后的遥感图像和模板图像进行小波变换,在低分辨率图像下采用圆投影特征进行粗匹配,确定候选目标;粗匹配结束后,提取高分辨率图像的多尺度Harris-laplace角点,并画出Delaunay三角网,同时提取出颜色不变矩和Zernike不变矩;然后使用欧氏距离作为这三种特征的相似性度量,并和样本图像进行加权匹配;最后选取欧式距离最小的图像作为最终的识别目标。结果：实验表明,本文算法飞机检测精度比现有算法高2.2%,飞机识别精度比现有算法高1.4%-10.4%。该算法能从遥感图像中精确识别出十大飞机目标,并对背景、噪声、视角变化等多种干扰具有良好的鲁棒性。结论：提出了一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的飞机识别算法,该算法使用了图像的多种信息,包括特征点和不变矩,有效地克服了使用单一特征无法描述多种信息的不足。实验结果表明,本文采用基于特征点和不变矩的飞机识别算法比其他算法具有更强的抗干扰能力和识别精度。     

基于密集卷积神经网络的遥感飞机识别

传统的飞机识别方法受模糊、遮挡、噪声以及光照等多种因素的干扰时会降低识别率,且卷积神经网络主要依赖局部特征,却丢失了轮廓特征等重要的全局结构化特征,从而导致算法对于受干扰飞机图像识别效果不佳。因此,基于密集卷积神经网络提出一种结合局部与全局特征的联合监督识别方法,以密集卷积神经网络为基础得到图像特征,通过结合局部特征（卷积神经网络特征）与全局特征（方向梯度直方图特征）进行分类,分类器目标函数使用softmax损失和中心损失联合监督方法。实验结果表明,局部特征与全局特征的结合使算法更加智能化,且损失函数联合监督方法能够实现图像深层特征的类内聚合、类间分散,该算法能有效解决卷积神经网络对受到多种干扰的遥感图像识别率低的问题。     

基于神经网络的飞机静液刹车系统设计

针对无人机的滑跑安全问题,为有效缩短刹车距离,提高刹车效率,设计了一种新型的静液刹车系统;根据新型刹车系统的特点,并综合考虑飞机机体、机轮、跑道状况的特性,以及刹车系统的非线性和不确定性,难以精确控制的特点,设计了神经网络控制器(NNC);并将神经网络控制器,新型刹车系统和飞机滑跑模型应用于仿真环境,建立了整体的仿真模型;仿真结果表明,采用神经网络的刹车系统鲁棒性增强,刹车效率提高,明显优于采用传统控制律的刹车系统。     

Aircraft Auto-detection in Domestic High Resolution Remote SensingImages Using Deep-learning

It is of great significance to automatically detect aircrafts from remote sensing imagery to get their locations.However,due to aircraft posture variance,complicated background and incomplete outlines,it is challenging to achieve a high aircraft detection accuracy.Traditional aircraft detection methods are usually based on hand\|crafted features and machine learning based classifiers,which is not robust enough for the translation and rotation variations.To tackle the above issues,this paper introduces deep convolutional neural network and the strategy of transfer learning to detect aircrafts from Chinses domestic satellite remote sensing images.Specifically,this paper first constructs an aircraft sample database,which consists aircrafts of different sizes and poses.Afterwards,YOLO V2 trained with natural images is utilized as the detection model and is further fine\|tuned with aircraft samples to increase the robustness and performance.Experiments were done on the Shanghai Pudong airport from Chinese GF\|2 remote sensing data.Experimental results showed a good performance with a recall of 92.25% and a precision of 94.93%.It is indicated that deep learning together with model transfer can get a high aircraft detection accuracy with limited training samples.The method in this paper can be generalized to other land object detection problems which shows a good promotional value.     

基于新型深度神经网络的民机表面缺陷识别

为解决机务人员依靠经验来对民航飞机的表面缺陷进行识别时易发生误判的问题,开发了一种用于民机表面的缺陷识别的结合Inception-net和残差模块的新型深度神经网络。首先,通过对各机场的在修飞机表面缺陷进行采样建立数据集,手段包括使用图像处理修复不合格图像、使用数据增强缓解数据类别不平衡、使用立方卷积插值法降采样保留图像特征等图像预处理操作。然后在自建的数据集上对新型深度神经网络与其他神经网络进行对比测试。实验结果表明,新型神经网络在较少的参数下能够达到最深的网络深度,且在自建数据集的测试集上的识别率和查全率分别为74.23%和62.29%,优于进行对比的其他网络。说明在一定程度上该网络能够有效用于民机表面缺陷识别工作中。     

基于深度卷积神经网络的航空器检测与识别

针对军用机场大尺寸卫星图像中航空器检测识别的具体应用场景,建立了一套实时目标检测识别框架,将深度卷积神经网络应用到大尺寸图像中的航空器目标检测与识别任务中。首先,将目标检测的任务看成空间上独立的bounding-box的回归问题,用一个24层卷积神经网络模型来完成bounding-box的预测;然后,利用图像分类网络来完成目标切片的分类任务。大尺寸图像上的传统目标检测识别算法通常在时间效率上很难突破,而基于卷积神经网络的航空器目标检测识别算法充分利用了计算硬件的优势,大大缩短了任务耗时。在符合应用场景的自采数据集上进行测试,所提算法目标检测实时性达到平均每张5.765 s,在召回率65.1%的工作点上达到了79.2%的精确率,分类网络的实时性达到平均每张0.972 s,Top-1错误率为13%。所提框架在军用机场大尺寸卫星图像中航空器检测识别的具体应用问题上提出了新的解决思路,同时保证了实时性和算法精度。     

American Sign Language word recognition with a sensory glove using artificial neural networks

An American Sign Language (ASL) recognition system is being developed using artificial neural networks (ANNs) to translate ASL words into English. The system uses a sensory glove called the Cyberglove™ and a Flock of Birds^® 3-D motion tracker to extract the gesture features. The data regarding finger joint angles obtained from strain gauges in the sensory glove define the hand shape, while the data from the tracker describe the trajectory of hand movements. The data from these devices are processed by a velocity network with noise reduction and feature extraction and by a word recognition network. Some global and local features are extracted for each ASL word. A neural network is used as a classifier of this feature vector. Our goal is to continuously recognize ASL signs using these devices in real time. We trained and tested the ANN model for 50 ASL words with a different number of samples for every word. The test results show that our feature vector extraction method and neural networks can be used successfully for isolated word recognition. This system is flexible and open for future extension.     

一种基于DSmT和HMM的序列飞机目标识别算法

针对姿态多变化的飞机自动目标识别中的低识别率问题, 提出了一种基于DSmT (Dezert-Smarandache theory)与隐马尔可夫模型(Hidden Markov model, HMM)的飞机多特征序列信息融合识别算法(Multiple features and sequential information fusion, MFSIF). 其创新性在于将单幅图像的多特征信息融合识别和序列图像信息融合识别进行有机结合.首先, 对图像进行二值化预处理, 并提取目标的Hu矩和轮廓局部奇异值特征; 然后, 利用概率神经网络(Probabilistic neural networks, PNN)构造基本信度赋值(Basic belief assignment, BBA); 接着, 利用DSmT对该图像的不同特征进行融合,从而获得HMM的观察值序列;再接着, 利用隐马尔可夫模型对飞机序列信息融合, 计算观察值序列与各隐马尔可夫模型之间的相似度, 从而实现姿态多变化的飞机目标自动识别;最后, 通过仿真实验, 验证了该算法在飞机姿态发生较大变化时, 依然可以获得较高的正确识别率,同时在实时性方面也可以满足飞机目标识别的要求. 另外, 在飞机序列发生连续遮挡帧数τ ≤ 6的情况下, 也具有较高的飞机目标正确识别率.     

基于双流对称特征融合网络模型的海洋船舶目标识别

海洋船舶目标识别在民用和军事领域有着重要的战略意义, 本文针对可见光图像和红外图像提出了一种 基于注意力机制的双流对称特征融合网络模型, 以提升复杂感知环境下船舶目标综合识别性能. 该模型利用双流对 称网络并行提取可见光和红外图像特征, 通过构建基于级联平均融合的多级融合层, 有效地利用可见光和红外两种 模态的互补信息获取更加全面的船舶特征描述. 同时将空间注意力机制引入特征融合模块, 增强融合特征图中关 键区域的响应, 进一步提升模型整体识别性能. 在VAIS实际数据集上进行系列实验证明了该模型的有效性, 其识别 精确度能达到87.24%, 综合性能显著优于现有方法.     

Multi-phase Oil Tank Recognition for High Resolution Remote Sensing Images

With continuing commercialization of remote sensing satellites, the high resolution remote sensing image has been increasingly used in various fields of our life. However, processing technology of high resolution remote sensing images is still a tough problem. How to extract useful information from the massive information in high resolution remote sensing images is significant to the subsequent process. A multi-phase oil tank recognition of remote sensing images, namely coarse detection and artificial neural network (ANN) recognition, is proposed. The experimental results of algorithms presented in this paper show that the proposed processing technology is reliable and effective.     

一种飞机目标及典型地物红外辐射仿真方法

机场场景内的飞机目标及其所处的地物背景具有重要军事应用价值,为了实现对这类目标的检测、识别以及动态监测,需要一套能够在不同季节、不同气象条件、不同时段、不同探测波段等条件下机场场景内飞机/地物红外辐射仿真的软件来提供训练样本。在Visual Studio 2010环境下,利用OpenGL构建了典型机场场景下飞机及地物背景模型,结合传热学和红外辐射理论的分析,将一款用于热红外分析的RadThermIR软件内核嵌入算法中,提出一种计算飞机及其地物背景的红外辐射场模型和构建其红外图像仿真方法。以图像灰度相似度作为评价指标,该方法和真实红外图像相比,仿真精度高于80%,实验结果表明,该方法可为实现全天候机场场景下飞机目标自动检测识别提供丰富的红外特性分析数据和特性知识训练样本。     

结合目标检测的人体行为识别

人体行为识别领域的研究方法大多数是从原始视频帧中提取相关特征, 这些方法或多或少地引入了多余的背景信息, 从而给神经网络带来了较大的噪声. 为了解决背景信息干扰、视频帧存在的大量冗余信息、样本分类不均衡及个别类分类难的问题, 本文提出一种新的结合目标检测的人体行为识别的算法. 首先, 在人体行为识别的过程中增加目标检测机制, 使神经网络有侧重地学习人体的动作信息; 其次, 对视频进行分段随机采样, 建立跨越整个视频段的长时时域建模; 最后, 通过改进的神经网络损失函数再进行行为识别. 本文方法在常见的人体行为识别数据集UCF101和HMDB51上进行了大量的实验分析, 人体行为识别的准确率(仅RGB图像)分别可达96.0%和75.3%, 明显高于当今主流人体行为识别算法.     

基于优化卷积神经网络结构的人体行为识别

为了提高卷积神经网络对非线性特征以及复杂图像隐含的抽象特征提取能力,提出优化卷积神经网络结构的人体行为识别方法.通过优化卷积神经网络模型,构建嵌套Maxout多层感知器层的网络结构,增强卷积神经网络的卷积层对前景目标特征提取能力.通过嵌套Maxout多层感知器层网络结构可以线性地组合特征图并选择最有效特征信息,获取的特...     

Dynamic classification of ballistic missiles using neural networks and hidden Markov models

This paper addresses dynamic classification of different ranges of ballistic missiles (BM) for air defense application based on kinematic attributes acquired by radars for taking appropriate measures to intercept them. The problem of dynamic classification is formulated using real-time neural network (RTNN) and hidden Markov model (HMM). The idea behind these algorithms is to calculate the output in one pass rather than training and computing over large number of iterations. Besides, to meet the conflicting requirements of classifying small as well as long-range trajectories, we are also proposing a formulation for partitioning the trajectory by using moving window concept. This concept allows us to use parameters in localized frame which helps in handling wide-range of trajectories to fit into the same network. These algorithms are evaluated using the simulated data generated from 6 degree-of-freedom (6DOF) mathematical model, which models missile trajectories. Experimental results show that both the networks are classifying above 95% with real-time neural network outperforming HMM in terms of time of computation on same data. The small classification time enables the use of real-time classification neural network in complex scenario of multi-radar, multi-target engagement by interceptor missiles. To the best of our knowledge this is the first time an attempt is made to classify ballistic missiles using RTNN and HMM.     

Application of the ANNA neural network chip to high-speed characterrecognition

A neural network with 136000 connections for recognition of handwritten digits has been implemented using a mixed analog/digital neural network chip. The neural network chip is capable of processing 1000 characters/s. The recognition system has essentially the same rate (5%) as a simulation of the network with 32-b floating-point precision.     

CUDA-enabled implementation of a neural network algorithm for handwritten digit recognition

Using a convolutional neural network as an example, we discuss specific aspects of implementing a learning algorithm of pattern recognition on the GPU graphics card using NVIDIA CUDA architecture. The training time of the neural network on a video-adapter is decreased by a factor of 5.96 and the recognition time of a test set is decreased by a factor of 8.76 when compared with the implementation of an optimized algorithm on a central processing unit (CPU). We show that the implementation of the neural network algorithms on graphics processors holds promise.     

红外成像导引头抗干扰性能评估仿真研究

针对日益复杂的战场对抗环境,导引头抗干扰能力已成为非常重要的指标,红外成像制导武器因具有高命中率、高效费比及强抗干扰能力而广泛应用。随着红外成像导引头识别跟踪算法的蓬勃发展,红外成像导引头的抗干扰能力已经不能简单以武器打击精度为单一的评估手段,文中提出了一种基于目标识别、图像特征、跟踪精度的红外成像导引头抗干扰能力评估体系,通过构建仿真对抗场景,对红外成像导引头抗干扰性能进行仿真,仿真结果验证了该方法的合理性和有效性。