• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于Hu矩與改進(jìn)PNN的飛機(jī)姿態(tài)識別算法

      2017-04-10 15:43:06成杰李新德??
      航空兵器 2017年1期
      關(guān)鍵詞:姿態(tài)飛機(jī)分類

      成杰+李新德??

      摘要: 在軍事領(lǐng)域, 為了快速準(zhǔn)確識別出飛機(jī)飛行過程中的姿態(tài), 提出一種基于Hu矩與改進(jìn)的概率神經(jīng)網(wǎng)絡(luò)(IPNN)的新方法。 該方法對于無噪聲灰度化圖片, 先進(jìn)行二值化處理, 再計(jì)算圖像的Hu矩特征。 將飛機(jī)飛行的360°姿態(tài)按三視圖分為三個(gè)類別, 即正視圖、 側(cè)視圖、 俯視圖。 四維Hu矩作為PNN輸入, 三個(gè)視圖代表的三個(gè)類別作為PNN輸出, 構(gòu)建PNN網(wǎng)絡(luò)。 實(shí)驗(yàn)結(jié)果表明, 對于無噪聲圖片平均識別率可以達(dá)到91.2%以上; 對于有噪聲圖片平均識別率可以達(dá)到87.0%以上, 可見訓(xùn)練后的網(wǎng)絡(luò)具備良好的泛化能力。

      關(guān)鍵詞: 飛機(jī); 姿態(tài); 概率神經(jīng)網(wǎng)絡(luò); Hu矩; 分類

      中圖分類號: TP391.41文獻(xiàn)標(biāo)識碼: A文章編號: 1673-5048(2017)01-0055-07[SQ0]

      0引言

      現(xiàn)代軍事活動(dòng)中, 通過定位飛機(jī)的姿態(tài), 能夠更準(zhǔn)確地定位飛機(jī)的局部特征。 如在景象制導(dǎo)空空導(dǎo)彈制導(dǎo)中, 為了提高制導(dǎo)精度, 必須定位目標(biāo)的關(guān)鍵部位, 所以有必要對飛機(jī)飛行圖像進(jìn)行處理, 識別出螺旋漿、 機(jī)艙、 油箱等關(guān)鍵部位, 再向關(guān)鍵或軟弱部位發(fā)射導(dǎo)彈, 以達(dá)到增強(qiáng)毀傷的效果。 飛機(jī)關(guān)鍵部位的識別與飛機(jī)飛行的姿態(tài)有直接關(guān)系, 飛機(jī)飛行姿態(tài)不同, 關(guān)鍵部位也各有差異, 所以必須首先對飛機(jī)飛行的姿態(tài)進(jìn)行識別, 然后才能定位關(guān)鍵部位。

      目前, 有不少學(xué)者對飛機(jī)飛行姿態(tài)的定位進(jìn)行了研究。 劉剛[1]等基于紅外圖像, 將飛機(jī)圖像分割成背景、 機(jī)身、 尾焰三部分, 通過計(jì)算一種組合矩, 同時(shí)結(jié)合面積比特征來實(shí)現(xiàn)姿態(tài)識別; 趙芹[2]等結(jié)合Hu矩與仿射不變矩, 提出一種有利于目標(biāo)特點(diǎn)的特征量和自動(dòng)識別算法; 荊文芳[3]則將矩特征與飛機(jī)目標(biāo)的紅外特征結(jié)合起來進(jìn)行識別; 涂建平[4-5]等通過對飛機(jī)目標(biāo)進(jìn)行骨架提取、 霍夫變換等過程, 檢測飛機(jī)機(jī)軸, 識別飛機(jī)機(jī)頭。 以上研究均取得了一定成果, 但對于飛機(jī)姿態(tài)的建模過于繁瑣, 對飛機(jī)局部特征定位有很大的局限性。

      飛機(jī)在飛行過程中處于某一姿態(tài)是一個(gè)概率事件, 可以采用PNN模擬此過程, 通過訓(xùn)練后的PNN, 得到某一特定樣本處于某一姿態(tài)的概率, 可以更合理判定其類別。 為此, 提出一種基于Hu與IPNN的飛機(jī)姿態(tài)識別算法。 通過提取飛機(jī)圖片的四維Hu矩特征, 作為PNN的輸入, 經(jīng)過訓(xùn)練好的PNN, 得到最終的分類結(jié)果。

      1研究理論

      原始圖像經(jīng)過預(yù)處理, 得到二值化圖片, 提取圖像的特征, 經(jīng)過訓(xùn)練后的PNN, 得到最終的分類結(jié)果。 研究框架見圖1。

      1.1矩

      Hu矩作為識別的基本特征已廣泛應(yīng)用于圖像識別、 模板匹配、 邊緣檢測、 數(shù)字水印和圖像分析

      PNN常用于分類問題, 輸入層輸入樣本的n維數(shù)據(jù), 模式層計(jì)算輸入樣本到模式層數(shù)據(jù)中心的距離, 求和層計(jì)算輸入層映射到各類樣本的概率, 輸出層選取求和層最大概率所屬的類別作為最終的輸出類別[12-15]。

      1.2.2PNN優(yōu)點(diǎn)

      與 BP網(wǎng)絡(luò)、 RBF網(wǎng)絡(luò)等傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)相比, PNN具有以下特點(diǎn)[16]:

      (1) 網(wǎng)絡(luò)學(xué)習(xí)過程簡單,訓(xùn)練速度快。 根據(jù)模式樣本的特征及網(wǎng)絡(luò)的外監(jiān)督信號(期望輸出), 直接獲得網(wǎng)絡(luò)隱層單元的連接權(quán)值, 無需反復(fù)訓(xùn)練網(wǎng)絡(luò), 各層神經(jīng)元的數(shù)目比較固定, 因而易于硬件實(shí)現(xiàn)[17-18]。

      (2) 網(wǎng)絡(luò)的容錯(cuò)性好, 模式分類能力強(qiáng),收斂性較好[19-20]。 網(wǎng)絡(luò)模式層采用徑向基的非線性映射函數(shù), 考慮了不同類別模式樣本的交錯(cuò)影響, 而模式的輸出層又消除了不同類別模式樣本的交錯(cuò)影響[21], 這樣構(gòu)成的各個(gè)類別模式間的判決分界面是滿足Bayes規(guī)則的最優(yōu)解[22]。

      (3) 網(wǎng)絡(luò)的擴(kuò)充性能好,結(jié)構(gòu)設(shè)計(jì)靈活方便。 由于網(wǎng)絡(luò)學(xué)習(xí)過程簡單且穩(wěn)定性高, 允許增加或減少新的類別模式樣本而無需重新進(jìn)行長時(shí)間的訓(xùn)練學(xué)習(xí)[23-24]。

      基于上述優(yōu)點(diǎn), PNN已廣泛用于模式識別、 故障診斷與專家系統(tǒng)、 回歸擬合等領(lǐng)域。

      1.2.3改進(jìn)的PNN

      本文PNN網(wǎng)絡(luò)結(jié)構(gòu)大體與標(biāo)準(zhǔn)PNN一致, 改進(jìn)的地方是在求和單元層與輸出單元層之間加入學(xué)習(xí)層, 且為全連接, 見圖3。

      2.3算法流程圖

      本算法分為訓(xùn)練環(huán)節(jié)和測試環(huán)節(jié)。 訓(xùn)練環(huán)節(jié)中, 對于無噪聲灰度化圖片, 通過圖像預(yù)處理獲得二值化圖片后, 通過邊緣檢測, 獲得飛機(jī)的輪廓, 對飛機(jī)輪廓外接矩形總體計(jì)算四維Hu矩特征, 作為PNN訓(xùn)練集, 獲得訓(xùn)練好的PNN網(wǎng)絡(luò)。 測試環(huán)節(jié)中, 由單幀測試圖片, 經(jīng)過預(yù)處理、 二值化后提取四維Hu矩, 輸入訓(xùn)練好的PNN網(wǎng)絡(luò), 獲得分類結(jié)果。 算法流程見圖6。

      3實(shí)驗(yàn)分析

      3.1實(shí)驗(yàn)環(huán)境搭建

      實(shí)驗(yàn)在Visual Studio 2013平臺(tái)下進(jìn)行, 安裝了開

      3.2實(shí)驗(yàn)結(jié)果

      每類飛機(jī)訓(xùn)練樣本有150個(gè), 其中正視圖、 側(cè)視圖、 俯視圖的個(gè)數(shù)均為50個(gè)。 IPNN的輸入層神經(jīng)元個(gè)數(shù)為4個(gè), 提取每個(gè)樣本的四維Hu矩特征作為IPNN的輸入; 模式層神經(jīng)元個(gè)數(shù)為150個(gè), 提取150個(gè)訓(xùn)練樣本的Hu矩作為中心矢量; 求和層的神經(jīng)元個(gè)數(shù)為3個(gè), 對應(yīng)于三視圖這3個(gè)類別; 學(xué)習(xí)層神經(jīng)元個(gè)數(shù)為3個(gè); 輸出層為1個(gè), 代表最終的輸出類別。 輸入的Hu特征均經(jīng)過歸一化處理, 學(xué)習(xí)層迭代次數(shù)為5 000次, 終止誤差為0.5。

      采用五類飛機(jī)來驗(yàn)證算法的可靠性, 對于這五類飛機(jī), 平均識別率可以達(dá)到90.4%, 最高可以達(dá)到91.2%, 說明從特征提取到PNN識別得出最終類別, 有一定的可靠性,實(shí)驗(yàn)結(jié)果如表1所示。

      采用SVD特征時(shí), 輸入神經(jīng)元的個(gè)數(shù)為300維, 終止誤差為0.2, 其他與采用Hu特征均一致。

      3.4不同分類算法的比較

      采用IPNN進(jìn)行分類, 在與BP與PNN的比較中可以看出, PNN分類能力比BP優(yōu)秀, 同時(shí)對PNN改進(jìn)后, 平均識別率提高了6%左右, 改進(jìn)的PNN相比傳統(tǒng)PNN的優(yōu)勢在于, 加入了學(xué)習(xí)層, 能夠在傳統(tǒng)PNN的基礎(chǔ)上, 加入自學(xué)習(xí)方法, 獲得合適的連接權(quán)值, 從而保證最終的分類結(jié)果更準(zhǔn)確, 更有效地提升了網(wǎng)絡(luò)的泛化能力。

      BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為4個(gè), 隱層神經(jīng)元個(gè)數(shù)為10個(gè), 輸出層神經(jīng)元個(gè)數(shù)為3個(gè), 最后取最大值作為最終類別, 采用BP算法學(xué)習(xí)第一層和第二層權(quán)值, 終止誤差為0.5, 迭代次數(shù)為5 000次。 標(biāo)準(zhǔn)PNN與IPNN除沒有學(xué)習(xí)層, 其他部分均一致, 各算法的比較結(jié)果如表3和圖9所示。

      表3不同算法的比較結(jié)果

      3.5遮擋實(shí)驗(yàn)

      當(dāng)飛機(jī)在飛行的過程中, 不僅姿態(tài)上會(huì)發(fā)生很大的變化, 而且可能會(huì)因?yàn)橥饨缫蛩貙?dǎo)致紅外攝像機(jī)獲取的圖像發(fā)生部分遮擋的情況, 從而導(dǎo)致誤識別。 實(shí)驗(yàn)中, 考察出現(xiàn)遮擋時(shí), 算法是否能正確對目標(biāo)進(jìn)行識別, 即考察算法在目標(biāo)遮擋時(shí)的魯棒性。 訓(xùn)練樣本庫與3.2節(jié)相同, 測試樣本庫是在原測試樣本庫的基礎(chǔ)上, 做隨機(jī)遮擋, 遮擋面積占原目標(biāo)面積的1/8, 1/4, 1/2, 3/4, 遮擋類型為矩形和圓形。 考察此時(shí)目標(biāo)的正確識別率。 矩形遮擋的識別結(jié)果如表4和圖10所示, 圓形遮擋的識別結(jié)果如表5和圖11所示。

      3.6尺寸縮放實(shí)驗(yàn)

      實(shí)驗(yàn)中, 考察隨著目標(biāo)縮小時(shí), 算法是否能正確有效地對目標(biāo)進(jìn)行識別, 即考察算法在目標(biāo)縮小時(shí)的魯棒性。 訓(xùn)練樣本庫相同, 測試樣本庫是在原測試樣本庫的基礎(chǔ)上, 做一定的比例縮放, 分別縮小至原來的1/2,1/4,1/8,1/16,1/32,1/64。 考察此時(shí)目標(biāo)的正確識別率。 尺寸縮放識別結(jié)果如表6和圖12所示。

      3.7噪聲實(shí)驗(yàn)

      實(shí)際工程應(yīng)用中, 由于工程環(huán)境比仿真環(huán)境復(fù)雜, 必然會(huì)存在噪聲, 實(shí)驗(yàn)?zāi)康脑谟跍y試算法對于存在噪聲的圖片時(shí)目標(biāo)識別的準(zhǔn)確性。

      實(shí)驗(yàn)步驟與3.2節(jié)大體一致, 但是對于訓(xùn)練樣本和測試樣本的每一幀圖片, 均加上噪聲, 原圖片與加噪聲后的圖片如圖13所示。 最終的實(shí)驗(yàn)結(jié)果如表7所示, 從表中可以看出, 加各類噪聲后, 平均識別率87.0%以上, 相對于無噪聲圖片的識別率存在下降, 但仍然有不錯(cuò)的識別率, 說明了算法的合理性。

      4結(jié)論與展望

      針對飛機(jī)姿態(tài)識別在軍事領(lǐng)域的廣泛應(yīng)用, 提出一種基于Hu矩與改進(jìn)PNN飛機(jī)姿態(tài)識別算法。 通過仿真實(shí)驗(yàn), 證明了方法優(yōu)于BP和IPNN等方法, 同時(shí)在遮擋與縮放的情況下, 依然可以保持較高的識別率。 但算法僅僅是定位飛機(jī)的姿態(tài), 局部特征點(diǎn)的尋找將是下一步的研究任務(wù)。

      參考文獻(xiàn):

      [1] 劉剛, 梁曉庚, 張京國. 基于紅外圖像的飛機(jī)目標(biāo)關(guān)鍵攻擊部位識別[J]. 計(jì)算機(jī)工程與應(yīng)用, 2011, 47(24): 174-177.

      Liu Gang, Liang Xiaogeng, Zhan Jingguo. Recogniting Airplanes Key Attacking Part Based on Infrared Image[J]. Computer Engineering and Applications, 2011, 47(24): 174-177. (in Chinese)

      [2] 趙芹, 周濤, 舒勤. 飛機(jī)紅外圖像的目標(biāo)識別及姿態(tài)判斷[J].紅外技術(shù), 2007, 29(3): 167-169.

      Zhao Qin, Zhou Tao, Shu Qin. Recognition and Pose Estimation of Airplane Infrared Image[J]. Infrared Technology, 2007, 29(3): 167-169.(in Chinese)

      [3] 荊文芳.飛機(jī)紅外圖像的檢測、 識別與跟蹤技術(shù)研究[D]. 西安: 西北工業(yè)大學(xué), 2006.

      Jing Wenfang. Research on Plane IR Imaging Detection, Recognition and Tracking Technology[D]. Xian: Northwestern Polytechnical University, 2006. (in Chinese)

      [4] 涂建平, 彭應(yīng)寧, 莊志洪. 彈道終端飛機(jī)目標(biāo)紅外圖像瞄準(zhǔn)點(diǎn)識別方法[J].光學(xué)技術(shù), 2003, 29(3): 261-265.

      Tu Jianping, Peng Yingning, Zhuang Zhihong. Research on Recognizing AimingPoint of Airplanes Infrared Sequence Images at Endgame[J]. Optical Technique, 2003, 29(3): 261-265. (in Chinese)

      [5] 賴海燕, 涂建平. 用于紅外成像GIF的目標(biāo)骨架提取算法[J]. 紅外技術(shù), 2005, 27(2): 147-150.

      Lai Haiyan, Tu Jianping. The Application of Skeleton Extraction Algorithm to Infrared imaging GIF[J]. Infrared Technology, 2005, 27(2): 147-150. (in Chinese)

      [6] 楊偉東. 基于DSmT近似推理的飛機(jī)目標(biāo)識別算法的研究[D].南京: 東南大學(xué), 2012.

      Yang Weidong. A Research of the Algorithm of the Aircraft Target Recognition Based on DSMT Approximate Reasoning[D].Nanjing: Southeast University, 2012. (in Chinese)

      [7] Hu M K. Visual Pattern Recognition by Moment Invariants[J]. IRE Transactions on Information Theory, 1962, 8(2): 179-187.

      [8] Pattanachai N, Covavisaruch N, Sinthanayothin C. Tooth Recognition in Dental Radiographs via Hus Moment Invariants[C]∥ International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTICON), 2012: 1-4.

      [9] Liu Yun, Yin Yanmin, Zhang Shujun. Hand Gesture Recognition Based on Hu Moments in Interaction of Virtual Reality[C]∥ Intelligent HumanMachine Systems and Cybernetics (IHMSC), 2012: 145-148.

      [10] Alghoniemy M, Tewfik A H. Image Watermarking by Moment Invariant[C]∥Internatianal Conference on Image Processing, 2000: 73-76.

      [11] Specht D F. Probabilistic Neural Networks for Classification,Mapping or Associative Memory[C]∥IEEE International Conference on Neural Networks, San Dieg, California, 1988: 525-532.

      [12] 張洪波. 基于主成分的概率神經(jīng)網(wǎng)絡(luò)模擬電路故障診斷的研究[D]. 長沙: 湖南大學(xué), 2008.

      Zhang Hongbo. The Research of Fault Diagnosis of Analog Circuits Based on Principal Component Analysis and Probabilistic Neural Networks[D]. Changsha: Hunan University, 2008. (in Chinese)

      [13] Li Chaofeng, Yang Maolong, Xu Lei, et al. A Comparative Study of Probabilistic Neural Network and BP Networks for Remote Sensing Image Classification[J]. Remote Sensing for Land & Resources, 2004, 16(4): 11-13.

      [14] Mao K Z, Tan K C, Ser W. Probabilistic Neural Network Structure Determination for Pattern Classification[J]. IEEE Transactions on Neural Networks, 2000, 11(4): 1009-1016.

      [15] Li Song, Li Xiuying, Wang Wenxu. Fault Diagnosis of Transformer Based on Probabilistic Neural Network[C]∥International Conference on Intelligent Computation Technology and Automation (ICICTA), 2011: 128-131.

      [16] Perera N, Rajapakse A D. Recognition of Fault Transients Using a Probabilistic NeuralNetwork Classifier[J]∥IEEE Transactions on Power and Energy Society, 2011, 26(1): 410-419.

      [17] Evagorou D, Kyprianou A, Lewin P L, et al.Feature Extraction of Partial Discharge Signals Using the Wavelet Packet Transform and Classification with a Probabilistic Neural Network[J]. Let Science Measurement and Technology, 2010, 4(3): 177-192.

      [18] Revett K, Gorunescu F, Gorunescn M, et al. A Breast Cancer Diagnosis System: A Combined Approach Using Rough Sets and Probabilistic Neural Networks[C]∥Internaltional Conference on Computer as a Tool, 2005.

      [19] Xu W, Wang D, Zhou Z, et al. Fault Diagnosis of Power Transformers: Application of Fuzzy Set Theory, Expert Systems and Artificial Neural Networks[J]. IEEE Proceedings Science, Measurement and Technology, 1997, 144(1): 39-44.

      [20] Barbosa F R, Almeida O M, Braga A P S, et al. Application of an Artificial Neural Network in the Use of Physicochemical Properties as a Low Cost Proxy of Power Transformers DGA Data[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2012, 19(1): 239-246.

      [21] Nikolic N, Park Y S. Sancristobal M, et al. What Do Artificial Neural Networks Tell Us about the Genetic Structure of Populations? The Example of European Pig Populations[J]. Genetics Research, 2009, 91(2): 121-132.

      [22] Murvai J, Vlahovicˇek K, Szepesvári C, et al. Prediction of Protein Functional Domains from Sequences Using Artificial Neural Networks[J]. Genome Research, 2001, 11(8): 1410-1417.

      [23] Ren Li, Wang Weipeng, Gao Yuzhen, et al. Typing SNP Based on the NearInfrared Spectroscopy and Artificial Neural Network[J]. Spectrochimica Acta Part A Molecular & Biomolecular Spectroscopy, 2009, 73(1): 106-111.

      [24] Tian Jinpeng, Shi Huichang.Study of Localization Scheme Base on Neural Network for Wireless Sensor Networks[C]∥ Let Conference on Wireless, Mobile and Sensor Networks, 2007: 64-67.

      猜你喜歡
      姿態(tài)飛機(jī)分類
      飛機(jī)失蹤
      分類算一算
      攀爬的姿態(tài)
      “拼座飛機(jī)”迎風(fēng)飛揚(yáng)
      分類討論求坐標(biāo)
      全新一代宋的新姿態(tài)
      汽車觀察(2018年9期)2018-10-23 05:46:40
      跑與走的姿態(tài)
      中國自行車(2018年8期)2018-09-26 06:53:44
      數(shù)據(jù)分析中的分類討論
      教你一招:數(shù)的分類
      乘坐飛機(jī)
      彭山县| 伊宁市| 枝江市| 天镇县| 基隆市| 苍梧县| 临夏县| 满城县| 长岭县| 九江市| 阳信县| 英吉沙县| 天峨县| 崇礼县| 北流市| 寿宁县| 博爱县| 德格县| 杭锦后旗| 平潭县| 乌拉特中旗| 全州县| 靖西县| 上林县| 五华县| 离岛区| 阿拉善右旗| 鄯善县| 长治市| 清水河县| 泗洪县| 吉安县| 饶阳县| 宝鸡市| 吉林市| 花莲市| 申扎县| 志丹县| 湖北省| 彰化市| 岚皋县|