基于SVM分类的红外舰船目标识别

张迪飞; 张金锁; 姚克明; 成明伟; 吴永国

doi:10.3788/IRLA201645.0104004

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SVM分类的红外舰船目标识别

张迪飞, 张金锁, 姚克明, 成明伟, 吴永国

文章导航 > 红外与激光工程 > 2016 > 45(1): 104004-0104004(6)

张迪飞, 张金锁, 姚克明, 成明伟, 吴永国. 基于SVM分类的红外舰船目标识别[J]. 红外与激光工程, 2016, 45(1): 104004-0104004(6). doi: 10.3788/IRLA201645.0104004

引用本文:

张迪飞, 张金锁, 姚克明, 成明伟, 吴永国. 基于SVM分类的红外舰船目标识别[J]. 红外与激光工程, 2016, 45(1): 104004-0104004(6). doi: 10.3788/IRLA201645.0104004

Zhang Difei, Zhang Jinsuo, Yao Keming, Cheng Minwei, Wu Yongguo. Infrared ship-target recognition based on SVM classification[J]. Infrared and Laser Engineering, 2016, 45(1): 104004-0104004(6). doi: 10.3788/IRLA201645.0104004

Citation:

Zhang Difei, Zhang Jinsuo, Yao Keming, Cheng Minwei, Wu Yongguo. Infrared ship-target recognition based on SVM classification[J]. Infrared and Laser Engineering, 2016, 45(1): 104004-0104004(6). doi: 10.3788/IRLA201645.0104004

基于SVM分类的红外舰船目标识别

doi: 10.3788/IRLA201645.0104004

1.
天津津航技术物理研究所,天津 300192

详细信息

作者简介:
张迪飞(1989-),男,硕士生,主要从事实时图像处理与分析方面的研究。Email:zdf_ftd@163.com

中图分类号: TN976

Infrared ship-target recognition based on SVM classification

1.
Tianjin Jinhang Institute of Technical Physics,Tianjin 300192,China

摘要: 针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。该算法首先利用分割算法提取红外图像中的连通区域,并对原图相应的位置进行标记和归一化处理,然后利用HOG特征提取标记区域的高维特征向量,用线下样本库训练得到的SVM分类器对所提取的HOG特征进行高维特征空间的分类,识别目标和干扰。仿真实验表明,该算法具有良好的性能,在复杂海天干扰背景下能够有效地识别红外舰船目标。
- SVM分类器 /
- 红外图像 /
- HOG特征 /
- 舰船目标识别
Abstract: Aiming at the ship-target recognition of sea-sky background, an classification algorithm based on machine learning was proposed. In the method, the segmentation algorithm was firstly adopted to extract connected region in infrared image. Then, the corresponding position of the original image was marked and normalized. Afterwards, the high-dimensional feature vector of branded region by using the HOG algorithm was extracted. Finally, the high-dimensional feature vector that came form suspected target area was classified by the SVM classifier which was trained by sample library. Simulation experimental result indicates that the algorithm not only can effectively recognise the infrared ship-targets in complex sea-sky background of interference, but also have good performance.
- SVM classifier /
- infrared image /
- HOG feature /
- ship-target recognition

[1]	Christopher M Bishop. Pattern Recognition and Machine Learning (Information Science and Statistics)[M]. New York:Springer, 2006.
[2]	Vpnik V N, Chervonenkis A Ja. Theoey of Pattern Recognition[M]. New York: Springer, 1974.
[3]	Yu Youchuan. Vehicle recognition method based on machine learning[D]. Xi'an: Xidian University, 2009. (in Chinese) 于筱川。基于机器学习的车辆目标识别方法[D]. 西安: 西安电子科技大学, 2009.
[4]	Zhang Quanfa, Pu Baoming, Li Tianran, et al. Vehicles detection based on histograms of oriented gradients and machine learning[J]. Computer Systems Applications, 2013, 22(7): 104-107. (in Chinese) 张全发, 蒲宝明, 李天然, 等。基于HOG特征和机器学习的工程车辆检测[J]. 计算机系统应用, 2013, 22(7): 104-107.
[5]	Mu Chunlei. The research of face recognition system based on HOG feature[D]. Chengdu: University of Electronic Science and Technology of China, 2013. (in Chinese) 慕春雷。基于HOG特征的人脸识别系统研究[D]. 成都: 电子科技大学, 2013.
[6]	Zhao Lei, Wang Bing, Zhang Liming. Change detection for remotely sensed images based on split window and semi-supervised SVM[J]. Journal of Fudan University(Natural Science), 2010, 49(2): 190-196. (in Chinese) 赵磊, 王斌, 张立明。基于分割窗半监督支持向量机的遥感图像变化检测[J]. 复旦学报(自然科学版), 2010, 49(2): 190-196.
[7]	Wang Peng, Lv Gaojie, Gong Junbin, et al. An automatic target detection method for infrared ship in complex sea-sky background[J]. Geomatics and Information Science of Wuhan University, 2011, 36(12): 1438-1441. (in Chinese) 王鹏, 吕高杰, 龚俊斌, 等。一种复杂海天背景下的红外舰船目标自动检测方法[J]. 武汉大学学报信息科学版, 2011, 36(12): 1438-1441. (in Chinese)
[8]	Dalal Navneet, Triggs Bill. Histograms of oriented gradients for human detection[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005, 1: 886-893.
[9]	Carl Vondrick, Aditya Khosla, Tomasz Malisiewicz, et al. HOGgles: Visualizing Object Detection Features[C]// 2013 IEEE International Conference on Computer Vision (ICCV), 2013, 1: 1-8.
[10]	Cortes C, Vapnik V N. Support vector networks[J]. Machine Learning, 1995, 20(3): 273-297.
[11]	Webb G I, Ting K M. On the application of ROC analysis to predict classification performance under varying class distribution [J]. Machine Learning, 2005, 58(1): 2.

[1]	庞忠祥, 刘勰, 刘桂华, 龚泿军, 周晗, 罗洪伟. 并行多特征提取网络的红外图像增强方法 . 红外与激光工程, 2022, 51(8): 20210957-1-20210957-9. doi: 10.3788/IRLA20210957
[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]	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
[4]	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
[5]	王鹏翔, 张兆基, 杨怀. 结合多特征融合和极限学习机的红外图像目标分类方法 . 红外与激光工程, 2022, 51(6): 20210597-1-20210597-6. doi: 10.3788/IRLA20210597
[6]	黄攀, 杨小冈, 卢瑞涛, 常振良, 刘闯. 基于空间联合的红外舰船目标数据增强方法 . 红外与激光工程, 2021, 50(12): 20210281-1-20210281-10. doi: 10.3788/IRLA20210281
[7]	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
[8]	杨雅志, 李骏. 单演信号在红外图像目标分类中的应用研究 . 红外与激光工程, 2021, 50(12): 20210165-1-20210165-7. doi: 10.3788/IRLA20210165
[9]	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
[10]	陆福星, 陈忻, 陈桂林, 饶鹏. 背景自适应的多特征融合的弱小目标检测 . 红外与激光工程, 2019, 48(3): 326002-0326002(7). doi: 10.3788/IRLA201948.0326002
[11]	耿磊, 梁晓昱, 肖志涛, 李月龙. 基于多形态红外特征与深度学习的实时驾驶员疲劳检测 . 红外与激光工程, 2018, 47(2): 203009-0203009(9). doi: 10.3788/IRLA201847.0203009
[12]	韩义波, 杨新锋, 滕书华, 庄祉昀. 激光与红外融合目标检测 . 红外与激光工程, 2018, 47(8): 804005-0804005(7). doi: 10.3788/IRLA201847.0804005
[13]	张祥越, 丁庆海, 罗海波, 惠斌, 常铮, 张俊超. 基于改进LCM的红外小目标检测算法 . 红外与激光工程, 2017, 46(7): 726002-0726002(7). doi: 10.3788/IRLA201746.0726002
[14]	唐庆菊, 刘俊岩, 王扬, 刘元林, 梅晨. 基于模糊C均值聚类和Canny算子的红外图像边缘识别与缺陷定量检测 . 红外与激光工程, 2016, 45(9): 928001-0928001(5). doi: 10.3788/IRLA201645.0928001
[15]	赵微, 惠斌, 张玉晓. 红外舰船目标的要害点检测算法 . 红外与激光工程, 2014, 43(1): 48-52.
[16]	张宝辉, 闵超波, 窦亮, 张俊举, 常本康. 目标增强的红外与微光图像融合算法 . 红外与激光工程, 2014, 43(7): 2349-2353.
[17]	万磊, 曾文静, 张铁栋, 秦再白. 基于梯度信息融合的海面红外目标实时检测 . 红外与激光工程, 2013, 42(1): 41-45.
[18]	赵晓, 张伟, 侯晴宇, 巩晋南. 多尺度匹配的红外变分辨率弱小目标检测 . 红外与激光工程, 2013, 42(11): 2913-2918.
[19]	王慧丽, 齐异, 刘焕英. 舰船尾流红外图像边界检测方法 . 红外与激光工程, 2013, 42(2): 524-527.
[20]	王学娟, 罗海波, 魏永旺, 陈大庆, 夏仁波. 一种采用HOG特征的直线段提取方法 . 红外与激光工程, 2013, 42(2): 513-518.

点击查看大图

计量

文章访问数: 919
HTML全文浏览量: 238
PDF下载量: 489
被引次数: 0

基于SVM分类的红外舰船目标识别

doi: 10.3788/IRLA201645.0104004

1. 天津津航技术物理研究所,天津 300192

作者简介:
张迪飞(1989-),男,硕士生,主要从事实时图像处理与分析方面的研究。Email:zdf_ftd@163.com

收稿日期: 2015-05-05
修回日期: 2015-06-13
刊出日期: 2016-01-25

中图分类号: TN976

关键词:

摘要: 针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。该算法首先利用分割算法提取红外图像中的连通区域,并对原图相应的位置进行标记和归一化处理,然后利用HOG特征提取标记区域的高维特征向量,用线下样本库训练得到的SVM分类器对所提取的HOG特征进行高维特征空间的分类,识别目标和干扰。仿真实验表明,该算法具有良好的性能,在复杂海天干扰背景下能够有效地识别红外舰船目标。