基于深度學(xué)習(xí)的圖像態(tài)勢感知應(yīng)用研究.pdf

1、態(tài)勢感知系統(tǒng)對數(shù)據(jù)信息的快速自主分析能力使其越來越多地應(yīng)用于作戰(zhàn)指揮控制、智能安防及網(wǎng)絡(luò)安全等領(lǐng)域。隨著信息技術(shù)的發(fā)展和信息量的爆炸性增長，構(gòu)建能夠自主挖掘數(shù)據(jù)信息并對環(huán)境態(tài)勢擁有一定感知能力的態(tài)勢感知系統(tǒng)成為一項重要研究課題。態(tài)勢感知系統(tǒng)的構(gòu)建要對當前環(huán)境中存在的物體目標進行類別及位置等屬性的感知，然后綜合各類傳感器信息，分析各態(tài)勢要素的狀態(tài)，并對其發(fā)展態(tài)勢做出一定程度的預(yù)測估計。在整個態(tài)勢感知系統(tǒng)中，對態(tài)勢要素即物體目標的發(fā)現(xiàn)及類別

2、、位置等的分析是實現(xiàn)系統(tǒng)整體功能的基礎(chǔ)和關(guān)鍵，在眾多傳感器信息中，圖像數(shù)據(jù)中的物體目標形象直觀、時效性強、準確度高，可以作為態(tài)勢要素感知的主要信息源。但對于圖像數(shù)據(jù)中物體目標的判別分析技術(shù)研究一直以來都未達到實際應(yīng)用水平，圖像數(shù)據(jù)的復(fù)雜性和物體目標的不確定性是造成技術(shù)研究瓶頸的主要原因。在圖像目標數(shù)據(jù)智能識別研究領(lǐng)域，近幾年，深度學(xué)習(xí)技術(shù)的應(yīng)用取得了突破性進展，引發(fā)了計算機視覺領(lǐng)域的革命性變革，引起了學(xué)術(shù)界及工業(yè)界的廣泛關(guān)注及研究。本文

3、基于可見光圖像數(shù)據(jù)和雷達圖像數(shù)據(jù)研究深度學(xué)習(xí)技術(shù)在態(tài)勢感知系統(tǒng)中的應(yīng)用，采用的深度神經(jīng)網(wǎng)絡(luò)模型為卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN），通過實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)模型和以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的擴展模型，力圖解決態(tài)勢感知系統(tǒng)中針對圖像物體目標識別的精度不足及效率低下問題，為態(tài)勢感知系統(tǒng)中態(tài)勢要素感知任務(wù)的實現(xiàn)提供新的思路和解決方法，并為后續(xù)深度學(xué)習(xí)技術(shù)在該領(lǐng)域的應(yīng)用提供參考。
　　首先，本文通過在基

4、于GPU的高速計算平臺上實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)模型完成圖像場景中物體目標的類別感知任務(wù)。根據(jù)計算平臺配置，參考ImageNet挑戰(zhàn)賽中表現(xiàn)優(yōu)異的卷積神經(jīng)網(wǎng)絡(luò)模型，在高效的深度學(xué)習(xí)工具Caffe框架下對模型進行實現(xiàn)。模型通過反向傳播算法進行訓(xùn)練，輸出層選擇Softmax分類器進行類別鑒定輸出。使用模型對Cifar-10數(shù)據(jù)集中的圖像數(shù)據(jù)進行分類處理，根據(jù)圖形化的分類結(jié)果分析模型處理圖像目標識別的有效性。然后，通過模型針對可見光圖像和雷達圖像的物

5、體目標識別結(jié)果驗證模型用于態(tài)勢感知任務(wù)的可行性。
　　其次，在完成物體目標類別感知的基礎(chǔ)上，研究基于卷積神經(jīng)網(wǎng)絡(luò)的模型在目標位置感知任務(wù)中的應(yīng)用，通過調(diào)研分析，選擇實現(xiàn)兩種圖像目標位置感知模型Fast R-CNN和Faster R-CNN。分別使用兩種模型針對可見光圖像和雷達圖像完成物體目標位置感知實驗，根據(jù)實驗結(jié)果，通過分析兩種模型在感知精度和感知效率方面的優(yōu)劣，選擇Faster R-CNN模型完成目標位置感知任務(wù)。
　　

6、最后，根據(jù)模型對可見光圖像和雷達圖像中態(tài)勢要素的類別和位置感知信息，分析圖像場景中的主體目標和密集分布目標，給出關(guān)于圖像場景的文字性描述，并根據(jù)系統(tǒng)設(shè)置，對圖像中存在的敏感目標進行標注，至此完成態(tài)勢感知系統(tǒng)第一階段的態(tài)勢要素感知功能。在此基礎(chǔ)上，研究態(tài)勢感知系統(tǒng)嵌入式平臺實現(xiàn)的可能性，在NVIDIA Jetson TX1開發(fā)板上完成了Caffe框架的配置和卷積神經(jīng)網(wǎng)絡(luò)模型的實現(xiàn)，通過驗證平臺對模型的執(zhí)行效率和針對mnist數(shù)據(jù)集的分類結(jié)