基于紅外圖像的海上船舶特征識(shí)別算法研究
發(fā)布時(shí)間:2020-12-13 05:48
傳統(tǒng)海上船舶特征識(shí)別算法受到可見(jiàn)光強(qiáng)弱的影響,在暗光條件下對(duì)船舶圖像識(shí)別能力遠(yuǎn)遠(yuǎn)不如白天,加之船舶搜救等應(yīng)用場(chǎng)景多為夜晚。因此,提出基于紅外圖像的海上船舶特征識(shí)別算法研究。首先,基于紅外圖像識(shí)別算法,將紅外識(shí)別與可見(jiàn)光參量進(jìn)行高精度融合計(jì)算;其次,對(duì)融合后的紅外識(shí)別特征參量進(jìn)行增強(qiáng)計(jì)算;最后,通過(guò)粒子群算法對(duì)大場(chǎng)景中的目標(biāo)進(jìn)行特征綁定,從而實(shí)現(xiàn)暗光條件下快速準(zhǔn)確識(shí)別船舶特征的效果。通過(guò)實(shí)驗(yàn)對(duì)提出算法進(jìn)行測(cè)試對(duì)比,證明提出算法在暗光條件下對(duì)船舶特征的識(shí)別能力高于傳統(tǒng)識(shí)別算法。
【文章來(lái)源】:艦船科學(xué)技術(shù). 2020年04期 北大核心
【文章頁(yè)數(shù)】:3 頁(yè)
【部分圖文】:
船舶識(shí)別測(cè)試圖像Fig.1Shipidentificationtestimage
對(duì)邊緣區(qū)域進(jìn)行迭代單幀灰度增強(qiáng),得到最終增強(qiáng)后的圖像特征識(shí)別計(jì)算定義式為:J′(C)=∑nνn∑kqn,k(S)log(qn,k(S))。(16)1.2粒子群算法下的紅外特征目標(biāo)綁定計(jì)算考慮到海上船舶特征識(shí)別的場(chǎng)景區(qū)域較大,為了提升算法的辨識(shí)速度,對(duì)上述計(jì)算式進(jìn)行特征目標(biāo)綁定計(jì)算,通過(guò)粒子群的聚類(lèi)性,完成算法與目標(biāo)特征綁定的計(jì)算。具體計(jì)算流程如下:CnBnCn=(vn1,vn2,···,vnl)1)設(shè)定海上船舶目標(biāo)點(diǎn)的聚類(lèi)中心值為L(zhǎng),對(duì)其進(jìn)行聚類(lèi)均值計(jì)算,獲得聚類(lèi)最優(yōu)值,并對(duì)其余聚類(lèi)粒子點(diǎn)的坐標(biāo)位置與移動(dòng)值進(jìn)行初始化計(jì)算,代表全局聚類(lèi)粒子的中心集合。2)對(duì)計(jì)算粒子進(jìn)行聚類(lèi)類(lèi)型劃分。3)將劃分的聚類(lèi)粒子進(jìn)行適應(yīng)度計(jì)算。qy+1n4)將計(jì)算得到的適應(yīng)度粒子導(dǎo)入特征目標(biāo)進(jìn)行更新,更新綁定后的船舶特征識(shí)別量設(shè)為,其計(jì)算函數(shù)式為:qy+1n=Cy+1n,G(Cy+1n)G(qyn),qyn,G(Cy+1n)G(qyn)。(17)到此,提出的基于紅外圖像的海上船舶特征識(shí)別算法研究,所涉及到的計(jì)算流程全部計(jì)算描述完畢。2實(shí)驗(yàn)設(shè)計(jì)針對(duì)提出的基于紅外圖像的海上船舶特征識(shí)別算法研究,進(jìn)行可行性仿真試驗(yàn)測(cè)試。隨機(jī)生成3組海上船舶圖像,圖像生成環(huán)境均為夜晚圖像,圖像內(nèi)含有不同數(shù)量的船只圖像,對(duì)圖像中的船舶進(jìn)行編號(hào),由仿真系統(tǒng)隨機(jī)設(shè)定識(shí)別船舶的序號(hào)。船舶圖像參數(shù)詳見(jiàn)表1。測(cè)試圖如圖1所示。測(cè)試結(jié)果如圖2所示。2.1實(shí)驗(yàn)結(jié)論由圖2中的識(shí)別圖像,可以看出提出的船舶圖像識(shí)別算法,能夠在暗光環(huán)境下準(zhǔn)確的識(shí)別出設(shè)定的特征目標(biāo)的船舶,且識(shí)別準(zhǔn)確度高于傳
【參考文獻(xiàn)】:
期刊論文
[1]前視紅外圖像中海岸線(xiàn)與海天線(xiàn)的通用檢測(cè)方法研究[J]. 仇榮超,呂俊偉,宮劍,修炳楠,馬新星,劉思彤. 兵工學(xué)報(bào). 2019(06)
[2]基于最大熵生長(zhǎng)檢測(cè)器的模糊紅外圖像分割算法[J]. 于曉,呂欣欣,高強(qiáng),葉溪. 激光雜志. 2019(03)
[3]多波段紅外圖像的海面艦船目標(biāo)檢測(cè)[J]. 仇榮超,婁樹(shù)理,李廷軍,宮劍. 光譜學(xué)與光譜分析. 2019(03)
[4]基于全局背景減法濾波器與多形狀特征的紅外艦船檢測(cè)算法[J]. 陳艷浩. 電子測(cè)量與儀器學(xué)報(bào). 2018(10)
本文編號(hào):2914021
【文章來(lái)源】:艦船科學(xué)技術(shù). 2020年04期 北大核心
【文章頁(yè)數(shù)】:3 頁(yè)
【部分圖文】:
船舶識(shí)別測(cè)試圖像Fig.1Shipidentificationtestimage
對(duì)邊緣區(qū)域進(jìn)行迭代單幀灰度增強(qiáng),得到最終增強(qiáng)后的圖像特征識(shí)別計(jì)算定義式為:J′(C)=∑nνn∑kqn,k(S)log(qn,k(S))。(16)1.2粒子群算法下的紅外特征目標(biāo)綁定計(jì)算考慮到海上船舶特征識(shí)別的場(chǎng)景區(qū)域較大,為了提升算法的辨識(shí)速度,對(duì)上述計(jì)算式進(jìn)行特征目標(biāo)綁定計(jì)算,通過(guò)粒子群的聚類(lèi)性,完成算法與目標(biāo)特征綁定的計(jì)算。具體計(jì)算流程如下:CnBnCn=(vn1,vn2,···,vnl)1)設(shè)定海上船舶目標(biāo)點(diǎn)的聚類(lèi)中心值為L(zhǎng),對(duì)其進(jìn)行聚類(lèi)均值計(jì)算,獲得聚類(lèi)最優(yōu)值,并對(duì)其余聚類(lèi)粒子點(diǎn)的坐標(biāo)位置與移動(dòng)值進(jìn)行初始化計(jì)算,代表全局聚類(lèi)粒子的中心集合。2)對(duì)計(jì)算粒子進(jìn)行聚類(lèi)類(lèi)型劃分。3)將劃分的聚類(lèi)粒子進(jìn)行適應(yīng)度計(jì)算。qy+1n4)將計(jì)算得到的適應(yīng)度粒子導(dǎo)入特征目標(biāo)進(jìn)行更新,更新綁定后的船舶特征識(shí)別量設(shè)為,其計(jì)算函數(shù)式為:qy+1n=Cy+1n,G(Cy+1n)G(qyn),qyn,G(Cy+1n)G(qyn)。(17)到此,提出的基于紅外圖像的海上船舶特征識(shí)別算法研究,所涉及到的計(jì)算流程全部計(jì)算描述完畢。2實(shí)驗(yàn)設(shè)計(jì)針對(duì)提出的基于紅外圖像的海上船舶特征識(shí)別算法研究,進(jìn)行可行性仿真試驗(yàn)測(cè)試。隨機(jī)生成3組海上船舶圖像,圖像生成環(huán)境均為夜晚圖像,圖像內(nèi)含有不同數(shù)量的船只圖像,對(duì)圖像中的船舶進(jìn)行編號(hào),由仿真系統(tǒng)隨機(jī)設(shè)定識(shí)別船舶的序號(hào)。船舶圖像參數(shù)詳見(jiàn)表1。測(cè)試圖如圖1所示。測(cè)試結(jié)果如圖2所示。2.1實(shí)驗(yàn)結(jié)論由圖2中的識(shí)別圖像,可以看出提出的船舶圖像識(shí)別算法,能夠在暗光環(huán)境下準(zhǔn)確的識(shí)別出設(shè)定的特征目標(biāo)的船舶,且識(shí)別準(zhǔn)確度高于傳
【參考文獻(xiàn)】:
期刊論文
[1]前視紅外圖像中海岸線(xiàn)與海天線(xiàn)的通用檢測(cè)方法研究[J]. 仇榮超,呂俊偉,宮劍,修炳楠,馬新星,劉思彤. 兵工學(xué)報(bào). 2019(06)
[2]基于最大熵生長(zhǎng)檢測(cè)器的模糊紅外圖像分割算法[J]. 于曉,呂欣欣,高強(qiáng),葉溪. 激光雜志. 2019(03)
[3]多波段紅外圖像的海面艦船目標(biāo)檢測(cè)[J]. 仇榮超,婁樹(shù)理,李廷軍,宮劍. 光譜學(xué)與光譜分析. 2019(03)
[4]基于全局背景減法濾波器與多形狀特征的紅外艦船檢測(cè)算法[J]. 陳艷浩. 電子測(cè)量與儀器學(xué)報(bào). 2018(10)
本文編號(hào):2914021
本文鏈接:http://www.lk138.cn/kejilunwen/dianzigongchenglunwen/2914021.html
最近更新
教材專(zhuān)著