论文部分内容阅读
自动目标识别作为计算机视觉领域的一个重要组成部分,在军事领域上拥有着广阔的应用前景。在实际战场中,如何通过计算机快速分析处理海量的战场实时视频数据,从中精准地识别并标记出危险目标成为了广大学者的研究重点。本文以装甲车辆作为主要识别对象,展开了基于深度学习的装甲车辆识别技术研究,主要开展的工作如下:(1)结合各主流算法的最新研究成果,在YOLO网络模型的基础上提出了一种实时目标识别算法。针对YOLO算法对小目标不够敏感的问题,本文调整了算法中对于损失函数的计算公式,并增加多尺度训练的方式;针对YOLO算法面临多目标集群时存在漏检的现象,本文对每个网格添加五个anchor box;另外,本文还通过添加BN层加快网络收敛速度;引入残差网络,有效地防止网络退化;添加1*1卷积层,更好地提取图像细节特征,提高网络识别精度。(2)针对各种复杂背景下的战场环境进行仿真,并利用仿真的数据集进行训练。本文对数据集的标记方法提出了改进,尽可能使标记框不发生重叠。另外,本文针对YOLO和SSD都进行了训练,并基于目标识别评价指标对各算法进行了分析对比。(3)基于NVIDIA Jetson TX2的核心处理模块设计了一个目标识别系统,将YOLO算法移植到嵌入式开发平台,并将目标识别系统运用于真实装甲车辆识别实验。实验结果表明,YOLO算法具有很强的泛化能力,满足战场对于目标识别的实时性要求,而且在远距离小目标的识别性能上表现也很突出。