生設(shè)計開題報告與2015年和陸

1、復(fù)雜環(huán)境下的航空器目標識別技術(shù)指導教師：張靜 學生：陸宋晗課題背景 飛機目標作為一種重要的戰(zhàn)略資源，因而飛機目標識別技術(shù)有著廣泛的應(yīng)用前景。在民用領(lǐng)域，可以為民航機場的飛行情況提供動態(tài)監(jiān)督；在軍事領(lǐng)域，能為掌握敵機的部署和分布動態(tài)提供實時信息。但是在實際上，飛機目標識別技術(shù)存在著大量的干擾因素，如噪聲、背景、天氣等，都會對飛機目標的識別造成很大的影響。課題要求 學習圖像的目標識別技術(shù)，在一幅圖像中能準確的識別出飛機，編寫圖像識別的一些算法。圖像識別的準確率能達到80%以上。算法介紹部件可變形模型（Deformable Parts Model，DPM） DPM是一個非常成功的目標檢測算法，連續(xù)獲

2、得VOC（Visual Object Class）07,08,09年的檢測冠軍。目前已成為眾多分類器、分割、人體姿態(tài)和行為分類的重要部分。DPM可以看做是HOG（Histograms of Oriented Gradients）的擴展，大體思路與HOG一致。先計算梯度方向直方圖，然后用SVM（Support Vector Machine）訓練得到物體的梯度模型（Model）。有了這樣的模板就可以直接用來分類了，簡單理解就是模型和目標匹配。DPM只是在模型上做了很多改進工作。算法優(yōu)點1.檢測穩(wěn)定性好，對不同機型的飛機適應(yīng)性好。2.抗干擾性強，能在目標發(fā)生多種干擾時保持較好的不變性結(jié)果3.識別精度

3、高，最終得出的檢測準確率達90%以上實現(xiàn)流程圖1.選取正負樣本集2.特征提取3. LSVM訓練4.訓練模型初始化5.樣本匹配選取正負樣本集正樣本集 選取含有飛機的衛(wèi)星圖片作為正樣本。正樣本集中應(yīng)包含多種外形的飛機(民用客機、軍用戰(zhàn)斗機等)，多種姿態(tài)的飛機(正面、傾斜等)。將每一張正樣本圖像中飛機目標的外接矩形和圖像大小等信息保存成xml文件，供訓練使用。負樣本集 選取不包含飛機的衛(wèi)星圖片作為負樣本。負樣本集中應(yīng)包含多種背景圖像(如藍天、城區(qū)、山區(qū)、港口、森林等)。負樣本圖像不需要標記外接矩形，只需要將圖像大小等信息保存為xml文件即可。特征提取HOG特征 將圖像分成若干個cell，例如每個ce

4、ll為8*8個像素。我們采用9個bin的直方圖來統(tǒng)計這8*8個像素的梯度信息。也就是將cell的梯度方向360度分成9個方向塊，如圖 每2*2個cell記為一個block，這樣來說，每個block總共有36維特征。也就是說，對于一幅64*64的圖像，總共將有7*7*64=1764維特征。特征提取DPM改進的HOG特征 DPM改進后的HOG特征取消了原HOG中的塊(block)，只保留了單元（cell）。 同時，DPM與HOG不同，采用了有符號梯度和無符號梯度相結(jié)合的策略。即 0-180 方向信息提取9維特征，0-360方向信息提取18維特征。 還有算上每個cell與周圍4個cell的 殤，每個

5、cell總共將有 9+18+4=31維特征向量LSVM訓練 訓練就是把樣本圖片的數(shù)據(jù)讀入，電腦根據(jù)所給的分類把數(shù)據(jù)分為幾部分，每個部分就是我們想要區(qū)分的物體，電腦在讀入大量樣本后，在進行測試圖片的分類，可以更好的能實現(xiàn)識別的目的。LSVM與SVM的區(qū)別 LSVM比SVM多了一個隱藏變量z。因為DPM 模型不僅考慮了飛機整體的識別，還考慮了飛機的部件識別，這使得普通的SVM無法打到要求。所以我們使用了LSVM，我們把飛機部件的參數(shù)(如部件濾波器、部件錨點坐標等)在訓練時作為隱藏變量z。 訓練模型初始化最終得到如下的整體模型以及部件模型 第一幅圖是飛機整體的模型，第二幅圖是飛機部件的模型，第三幅圖是飛機部件在飛機整體的地位。這三幅圖是飛機的飛機的側(cè)視圖的模型。訓練模型初始化 和側(cè)視圖片類似，這三幅圖是飛機的俯視圖的模型樣本匹配這是一幅飛機的測試樣本匹配這是飛機整體與部件的識別樣本匹配這是飛機整體識別樣本匹配樣本匹配算法對比 SIFT算法Hu不變矩HOG算法DPM模型識別率37.8%33.3%77.8%91.1%幾種算法對于飛機識別率的對比算法對比 DPM能達到90%以上的識別率是由它綜合了這幾種算法的優(yōu)點，DPM是同時考慮了特征點和不變矩的飛機識別算法，而其他幾種算法并沒有綜合考慮，所以導致了誤差的加大。致謝 感謝光電信息學院給我提供了