基于CNN的SAR图像舰船目标检测算法

为了提升合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测的精度和速度,对卷积神经网络(Convolutional Neural Network,CNN)在SAR图像舰船目标检测上进行了研究。通过改进OTSU方法对SAR图像进行分割,并且用最小外接矩形将疑似目标标记出来;依据矩形中心在原始图像上提取出固定大小区域作为候选区域;将提取的目标通过训练好的卷积神经网络进行判定,去除虚警目标并将检测结果在原图中标记出来。实测数据的实验结果表明,该算法在降低虚警的同时提升了检测速度。     

基于卷积神经网络的无人机图像模糊类型识别

为了提高无人机图像模糊类型识别的准确率,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的无人机图像模糊类型识别方法。通过样本预处理策略对无人机模糊图像样本进行处理,提高了方法的识别效率,同时降低了错误率。提出一种适用于模糊图像灰度频谱图的卷积神经网络结构,并利用训练样本对网络进行训练,增强了网络结构的针对性,提高了训练模型的识别准确率。利用测试样本对训练的网络模型进行测试,验证方法的鲁棒性。实验结果表明,将卷积神经网络应用于图像模糊类型识别,取得了良好的效果,针对实验环境下的无人机运动、离焦和大气散射3种模糊图像类型的识别准确率较高,所提方法的鲁棒性强、实用价值大。     

基于侦察图像信息的目标提取和测量研究

光电侦察在战场侦察中具有非常重要的地位。但我军现有的光电侦察装备,仅仅能够记录侦察获得的图像信息,还不具有自动检测和提取图像中目标的能力,无法满足现代战争条件下战场侦察的需要。针对现有光电侦察的需求,采用改进的均值分割算法提取图像目标,进而采用空间滤波的方法滤除噪声,并利用游程连通性分析和计算形心坐标方法实现目标位置的提取和测量。     

用于视频图像帧间运动补偿的深度卷积神经网络

为探索深度学习理论在视频图像帧间运动补偿问题中的应用,提出一种用于视频图像帧间运动补偿的深度卷积神经网络。该网络由卷积模块和反卷积模块构成,可以处理不同分辨率输入图像并具备保持较完整图像细节的能力。利用具有时序一致性的视频图像序列构造训练样本,采用随机梯度下降法对设计的深度卷积神经网络进行训练。视觉效果和数值评估实验表明,训练得到的网络较传统方法能更有效地进行视频图像帧间运动补偿。     

基于粗糙集和神经网络的无人机侦察效能评估

针对无人机在多条件下的侦察效能评估问题,提出一种基于粗糙集和神经网络的无人机侦察效能评估方法.在该方法中,寻找影响因素构建无人机侦察效能评估指标体系;结合粗糙集理论去除当中的冗余因素;并在处理因素基础上利用遗传优化的BP神经网络构建无人机侦察效能的评估模型,以提高预测精度.仿真结果表明:该模型不仅能够克服传统BP神经网络容错性差,收敛速度慢的缺点,而且可以较好地完成无人机侦察效能评估.     

基于FMLNet的光学成像雨（雾）信息自主消除算法

航天发射和回收任务中,通过运载火箭以及无人机获取的光学图像易受雨雾的影响导致成像质量下降。为了同时满足雨纹消除和除雾应用需求,进一步提升雨（雾）图像信息恢复的质量,将特征提取、多尺度映射、局部极值以及非线性回归处理相结合,设计一种新的雨（雾）信息自主消除网络（FMLNet）,提出一种基于FMLNet的光学成像雨（雾）信息自主消除算法。使用Maxout单元层生成几乎所有与雨（雾）相关的特征,运用一种新的非线性激活函数（BReLU）以提高恢复无雨（雾）图像的质量,使其特征提取层和非线性回归层与经典CNN网络具有明显的不同。分别对雨（雾）图像数据集进行实验测试,结果表明,算法在峰值信噪比（PSNR）和结构相似指数测度（SSIM）评价指标上均优于其他常用算法。通过各算法处理效果的视觉观察比对,该算法能够很好地进行图像雨纹消除和图像除雾,能将不同雨（雾）场景下的图像恢复至细节丰富的干净场景图,图像复原度更高、视觉效果更好,从而验证了算法的有效性。     

面向协同区域反恐侦察的无人机集群规划与控制

以无人机集群协同侦察多个区域内潜在的恐怖分子为背景,提出了一种基于贪婪算法的求解思路,设计了任务分配-路径规划-跟踪控制的算法流程,解决了面向协同区域反恐侦察的无人机集群规划与控制问题。首先,设计任务分配算法,为无人机分配任务区域,解决多无人机多目标的任务分配问题;然后,每一架无人机进行路径规划,生成从当前点到任务区域以及在任务区域侦察的组合路径;再使用追踪虚拟目标点的方法,使无人机沿着规划航线飞行。任务分配-路径规划-跟踪控制在线滚动执行,使无人机集群协同执行反恐侦察任务。对上述算法进行了数值仿真,并基于开源仿真平台搭建复合翼无人机协同仿真环境,进一步验证了算法流程。     

基于迁移学习和特征融合的航空器图像分类算法

航空器目标的分类是空战中作战方案制定的重要环节,目前在航空器图像分类方面的研究很少,数据库也少之甚少。在自然图像分类领域存在的特征表达方法主要是对图像的颜色、纹理、梯度等特征进行编码,但这些浅层特征不能体现出图像的深层语义信息,而卷积神经网络(CNN)有着强大的特征表达能力,但小规模数据库直接训练网络会造成模型过拟合。针对这些问题,组建一个具有8 000张图片、10类的航空器图像数库并提出了一种基于迁移学习和特征融合的航空器图像分类算法,算法用卷积神经网络来提取图像的特征,提出用迁移学习的思想来训练网络,从而减轻了模型过拟合,在此基础上提出特征融合算法,融合深度特征和浅层特征,弥补了单一特征对图像信息表达的不足。在实验中,用航空器图像数据库来验证算法的有效性,结果表明,算法能够有效地进行航空器图像的分类。     

联合侦察图像对岸上目标定位方法

随着卫星和无人机技术日趋成熟,使用卫星和无人机搭载成像设备执行战场侦察任务,及时获取敌方阵地图像信息,已成为各军事强国的重要侦察手段。以大口径舰炮远程对岸目标精确打击为背景,对无人机侦察图像的几何校正、卫星图片的地理坐标提取等技术进行分析,推导了相关的数学模型。通过相关的图像处理技术,结合联合侦察图像对岸上目标定位的主要误差源分析,提供了一种有效的联合侦察图像目标定位方法,并通过仿真数据显示了图像预处理技术在目标定位过程中对提高定位精度的作用。     

基于YOLOv3-tiny的智能侦察虚拟训练系统研究

虚拟训练系统广泛应用于医疗、航天、军事等领域,能够有效降低训练成本,提升训练效率,保障训练安全。针对无人机侦察训练飞控条件苛刻、搭载算法时延高、潜在安全隐患大、训练成本高的特点,提出在虚拟场景中应用目标检测算法的虚拟训练系统总体研发方案。该系统在YOLOv3-tiny算法的基础上,用Unity3D camera组件渲染代替无人机视频流进行数据传输,通过OpenCV for Unity插件搭载YOLOv3-tiny算法对车辆和人员进行目标检测,并实时返回检测画面。经过系统测试实验,实现了无人机智能侦察功能,目标检测速度稳定在25 fps,识别置信度达80%以上,各项指标评价良好比例达88%以上,满足了飞控模拟和算法检测训练。