基于SAE与底层视觉特征融合的无人机目标识别算法

谢冰; 段哲民

doi:10.3788/IRLA201847.S126004

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于SAE与底层视觉特征融合的无人机目标识别算法

谢冰, 段哲民

文章导航 > 红外与激光工程 > 2018 > 47(S1): 197-205

谢冰, 段哲民. 基于SAE与底层视觉特征融合的无人机目标识别算法[J]. 红外与激光工程, 2018, 47(S1): 197-205. doi: 10.3788/IRLA201847.S126004

引用本文:

谢冰, 段哲民. 基于SAE与底层视觉特征融合的无人机目标识别算法[J]. 红外与激光工程, 2018, 47(S1): 197-205. doi: 10.3788/IRLA201847.S126004

Xie Bing, Duan Zhemin. UAV target recognition algorithm based on fusion of SAE and bottom visual feature[J]. Infrared and Laser Engineering, 2018, 47(S1): 197-205. doi: 10.3788/IRLA201847.S126004

Citation:

Xie Bing, Duan Zhemin. UAV target recognition algorithm based on fusion of SAE and bottom visual feature[J]. Infrared and Laser Engineering, 2018, 47(S1): 197-205. doi: 10.3788/IRLA201847.S126004

基于SAE与底层视觉特征融合的无人机目标识别算法

doi: 10.3788/IRLA201847.S126004

谢冰,
段哲民

1.
西北工业大学电子信息学院,陕西西安 710072

基金项目:

瞬态冲击技术重点实验室基金（61426060103162606007）

详细信息

作者简介:
谢冰(1989-),男,博士,主要从事红外目标识别及红外超分辨率重建方面的研究。Email:664897555@qq.com

中图分类号: TP394.1

UAV target recognition algorithm based on fusion of SAE and bottom visual feature

1.
School of Electronics and Information,Northwestern Polytechnical University,Xi'an 710072,China

摘要: 无人机在复杂战场环境下，因敌方无人机外形、颜色等特征较为相似，现有基于底层视觉特征无法快速地对其进而准确的识别，从而造成误检测甚至误打击等事件的发生。针对这一问题，文中提出基于稀疏自动编码器融合底层视觉特征的算法，对无人机目标对象进行识别。算法首先利用底层视觉特征描述子（GIST、LBP）以及稀疏自动编码器（Sparse Auto-Encoder，SAE）提取目标对象的底层视觉特征和高层视觉特征；然后，采用主成分分析（PAC）法对全局特征进行降维融合；最后，将全局特征响应送入softmax回归模型完成无人机目标对象的分类。实验表明，与传统SAE算法及传统基于底层视觉特征描述子识别算法相比，新算法具有更高的准确性及鲁棒性。
- 无人机目标对象 /
- 目标识别 /
- Sparse Auto-Encoder /
- 底层视觉描述子 /
- PCA
Abstract: UAV flying in complex battlefield environment, due to the similar shape and color of the enemy UAV, and the existing algorithms can not accurately identify and classify the UAV of the enemy, resulting in false detection or even mishandling attack. To solve this problem, a feature fusion algorithm based on the combination of the bottom visual features and high-level visual features was proposed to classify the UAV target objects. The algorithm first extracted the underlying visual features and high-level visual features of the target object by using visual feature descriptors and Sparse Auto-Encoder (SAE). Then, the principal component analysis (PAC) method was used to reduce the dimensionality of the global features. Finally, the global feature response was sent to the softmax regression model to complete the recognition and classification of the target object of the UAV. Experiments show that the new algorithm has higher accuracy and robustness compared with the traditional SAE algorithm and the traditional recognition algorithm based on the underlying visual features.
- UAV target object /
- target recognition /
- Sparse Auto-Encoder /
- underlying visual descriptor /
- PCA

[1]	Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553):436-444.
[2]	You Q, Luo J, Jin H, et al. Robust image sentiment analysis using progressively trained and domain transferred deep networks[C]//29th AAAI Conference on Artificial Intelligence (AAAI), Austin, USA, 2015:381-388.
[3]	Coates A, Lee H, Ng A Y. An analysis of single-layer networks in unsupervised feature learning[C]//14th International Conference on Artificial Intelligence and Statistics, 2011:215-223.
[4]	Huang H, Yang A. Face recognition based on PCA algorithm[J]. Department of computer Science Guangdong University of Science Technologyn, 2015, 8:98-101.
[5]	Nejhum S, Ho J, Yang Minghsuan. Online visual tracking with histograms and articulating blocks[J]. Computer Vision and Image Understanding, 2010, 114(8):901-914.
[6]	Maenpaa T, Pietikinen M. Texture Analysis with Local Binary Patterns. Chen CH Wang PSP(eds) Handbook of Pattern Recognition and Computer Vertion[M]. 3rd ed. Singapore:World Scientific, 2005:197-216.
[7]	Oliva A, Torralba A. Building the gist of a scene:the role of global image features in recognition[J]. Progress in Brain Research:Visual Perception, 2006, 155:23-36.
[8]	Eng J, Zhang Z, Eyben F, et al. Autoencoder-based unsupervised domain adaptation for speech emotion recognition[J]. IEEE Signal Processing Letters, 2014, 21(9):1068-1072.

[1]	张良, 田晓倩, 李少毅, 杨曦. 基于时空推理网络的空中红外目标抗干扰识别算法 . 红外与激光工程, 2022, 51(7): 20210614-1-20210614-10. doi: 10.3788/IRLA20210614
[2]	廖辉传, 赵海霞. 基于分类器决策融合的红外图像目标识别方法 . 红外与激光工程, 2022, 51(8): 20210725-1-20210725-6. doi: 10.3788/IRLA20210725
[3]	陆建华. 融合CNN和SRC决策的SAR图像目标识别方法 . 红外与激光工程, 2022, 51(3): 20210421-1-20210421-7. doi: 10.3788/IRLA20210421
[4]	杨棉绒, 牛丽平. 基于LGBM的Zernike特征选取及红外图像目标识别方法 . 红外与激光工程, 2022, 51(4): 20210309-1-20210309-6. doi: 10.3788/IRLA20210309
[5]	廖莎莎. 基于筛选深度特征的红外图像目标识别方法 . 红外与激光工程, 2022, 51(5): 20210372-1-20210372-6. doi: 10.3788/IRLA20210372
[6]	王晓艳, 徐高魁. 基于立体视觉与特征匹配的点云目标识别算法 . 红外与激光工程, 2022, 51(9): 20210596-1-20210596-7. doi: 10.3788/IRLA20210596
[7]	吴剑波, 陆正武, 关玉蓉, 王庆东, 姜国松. 二维压缩感知多投影矩阵特征融合的SAR目标识别方法 . 红外与激光工程, 2021, 50(6): 20200531-1-20200531-7. doi: 10.3788/IRLA20200531
[8]	史国军. 深度特征联合表征的红外图像目标识别方法 . 红外与激光工程, 2021, 50(3): 20200399-1-20200399-6. doi: 10.3788/IRLA20200399
[9]	李亚娟. 结合多决策准则稀疏表示的SAR图像目标识别方法 . 红外与激光工程, 2021, 50(8): 20210138-1-20210138-8. doi: 10.3788/IRLA20210138
[10]	刘志超, 屈百达. 复数二维经验模态分解在SAR目标识别中的应用 . 红外与激光工程, 2021, 50(5): 20200309-1-20200309-8. doi: 10.3788/IRLA20200309
[11]	尚珊珊, 余子开, 范涛, 金利民. 高斯过程模型在SAR图像目标识别中的应用 . 红外与激光工程, 2021, 50(7): 20200337-1-20200337-7. doi: 10.3788/IRLA20200337
[12]	伍友龙. 多元经验模态分解及在SAR图像目标识别中的应用 . 红外与激光工程, 2021, 50(4): 20200236-1-20200236-7. doi: 10.3788/IRLA20200236
[13]	马丹丹. 图像分块匹配的SAR目标识别方法 . 红外与激光工程, 2021, 50(10): 20210120-1-20210120-8. doi: 10.3788/IRLA20210120
[14]	赵璐, 熊森. 多视角红外图像目标识别方法 . 红外与激光工程, 2021, 50(11): 20210206-1-20210206-6. doi: 10.3788/IRLA20210206
[15]	石峰, 陆同希, 杨书宁, 苗壮, 杨晔, 张闻文, 何睿清. 噪声环境下基于单像素成像系统和深度学习的目标识别方法 . 红外与激光工程, 2020, 49(6): 20200010-1-20200010-8. doi: 10.3788/IRLA20200010
[16]	张盼盼, 罗海波, 鞠默然, 惠斌, 常铮. 一种改进的Capsule及其在SAR图像目标识别中的应用 . 红外与激光工程, 2020, 49(5): 20201010-20201010-8. doi: 10.3788/IRLA20201010
[17]	付跃刚, 赵宇, 刘智颖, 张凯, 朱启凡, 李亚红. 用于目标识别的紧凑型仿生复眼光学系统设计 . 红外与激光工程, 2017, 46(6): 602001-0602001(7). doi: 10.3788/IRLA201746.0602001
[18]	刘俊良, 陈尚锋, 卢焕章, 赵本东, 毋亚北. 弹道目标识别的红外辐射数据仿真研究 . 红外与激光工程, 2016, 45(10): 1004002-1004002(7). doi: 10.3788/IRLA201645.1004002
[19]	杨绪峰, 林伟, 延伟东, 温金环. 采用热核特征的SAR图像目标识别 . 红外与激光工程, 2014, 43(11): 3794-3801.
[20]	何思远, 刘刚, 王玲, 唐延东. 基于无人机的输电线路设备识别方法研究 . 红外与激光工程, 2013, 42(7): 1940-1944.

点击查看大图

计量

文章访问数: 323
HTML全文浏览量: 52
PDF下载量: 48
被引次数: 0

基于SAE与底层视觉特征融合的无人机目标识别算法

doi: 10.3788/IRLA201847.S126004

谢冰,
段哲民

1. 西北工业大学电子信息学院,陕西西安 710072

作者简介:
谢冰(1989-),男,博士,主要从事红外目标识别及红外超分辨率重建方面的研究。Email:664897555@qq.com

收稿日期: 2018-03-16
修回日期: 2018-05-24
刊出日期: 2018-06-25

基金项目:

瞬态冲击技术重点实验室基金（61426060103162606007）

中图分类号: TP394.1

关键词:

摘要: 无人机在复杂战场环境下，因敌方无人机外形、颜色等特征较为相似，现有基于底层视觉特征无法快速地对其进而准确的识别，从而造成误检测甚至误打击等事件的发生。针对这一问题，文中提出基于稀疏自动编码器融合底层视觉特征的算法，对无人机目标对象进行识别。算法首先利用底层视觉特征描述子（GIST、LBP）以及稀疏自动编码器（Sparse Auto-Encoder，SAE）提取目标对象的底层视觉特征和高层视觉特征；然后，采用主成分分析（PAC）法对全局特征进行降维融合；最后，将全局特征响应送入softmax回归模型完成无人机目标对象的分类。实验表明，与传统SAE算法及传统基于底层视觉特征描述子识别算法相比，新算法具有更高的准确性及鲁棒性。