發(fā)布時間：2020-12-13 05:48

　　傳統(tǒng)海上船舶特征識別算法受到可見光強(qiáng)弱的影響,在暗光條件下對船舶圖像識別能力遠(yuǎn)遠(yuǎn)不如白天,加之船舶搜救等應(yīng)用場景多為夜晚。因此,提出基于紅外圖像的海上船舶特征識別算法研究。首先,基于紅外圖像識別算法,將紅外識別與可見光參量進(jìn)行高精度融合計算;其次,對融合后的紅外識別特征參量進(jìn)行增強(qiáng)計算;最后,通過粒子群算法對大場景中的目標(biāo)進(jìn)行特征綁定,從而實(shí)現(xiàn)暗光條件下快速準(zhǔn)確識別船舶特征的效果。通過實(shí)驗(yàn)對提出算法進(jìn)行測試對比,證明提出算法在暗光條件下對船舶特征的識別能力高于傳統(tǒng)識別算法。 

【文章來源】：艦船科學(xué)技術(shù). 2020年04期 北大核心

【文章頁數(shù)】：3 頁

【部分圖文】：

船舶識別測試圖像Fig.1Shipidentificationtestimage

對邊緣區(qū)域進(jìn)行迭代單幀灰度增強(qiáng)，得到最終增強(qiáng)后的圖像特征識別計算定義式為：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)綁定計算考慮到海上船舶特征識別的場景區(qū)域較大，為了提升算法的辨識速度，對上述計算式進(jìn)行特征目標(biāo)綁定計算，通過粒子群的聚類性，完成算法與目標(biāo)特征綁定的計算。具體計算流程如下：CnBnCn=(vn1,vn2,···,vnl)1）設(shè)定海上船舶目標(biāo)點(diǎn)的聚類中心值為L，對其進(jìn)行聚類均值計算，獲得聚類最優(yōu)值，并對其余聚類粒子點(diǎn)的坐標(biāo)位置與移動值進(jìn)行初始化計算，代表全局聚類粒子的中心集合。2）對計算粒子進(jìn)行聚類類型劃分。3）將劃分的聚類粒子進(jìn)行適應(yīng)度計算。qy+1n4）將計算得到的適應(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別量設(shè)為，其計算函數(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別算法研究，所涉及到的計算流程全部計算描述完畢。2實(shí)驗(yàn)設(shè)計針對提出的基于紅外圖像的海上船舶特征識別算法研究，進(jìn)行可行性仿真試驗(yàn)測試。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，對圖像中的船舶進(jìn)行編號，由仿真系統(tǒng)隨機(jī)設(shè)定識別船舶的序號。船舶圖像參數(shù)詳見表1。測試圖如圖1所示。測試結(jié)果如圖2所示。2.1實(shí)驗(yàn)結(jié)論由圖2中的識別圖像，可以看出提出的船舶圖像識別算法，能夠在暗光環(huán)境下準(zhǔn)確的識別出設(shè)定的特征目標(biāo)的船舶，且識別準(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與海天線的通用檢測方法研究[J]. 仇榮超,呂俊偉,宮劍,修炳楠,馬新星,劉思彤.  兵工學(xué)報. 2019(06)
[2]基于最大熵生長檢測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[J]. 仇榮超,婁樹理,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算法[J]. 陳艷浩.  電子測量與儀器學(xué)報. 2018(10)



本文編號：2914021