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

基于改进SSD的特种车辆红外伪装检测方法

赵晓枫,  徐明扬,  王聃漂,  杨佳星,  张志利

downloadPDF
文章导航 > 红外与激光工程  > 2019 >  48(11): 1104003-1104003(10)
赵晓枫, 徐明扬, 王聃漂, 杨佳星, 张志利. 基于改进SSD的特种车辆红外伪装检测方法[J]. 红外与激光工程, 2019, 48(11): 1104003-1104003(10). doi: 10.3788/IRLA201948.1104003
引用本文: 赵晓枫, 徐明扬, 王聃漂, 杨佳星, 张志利. 基于改进SSD的特种车辆红外伪装检测方法[J]. 红外与激光工程, 2019, 48(11): 1104003-1104003(10). doi: 10.3788/IRLA201948.1104003
shu
Zhao Xiaofeng, Xu Mingyang, Wang Danpiao, Yang Jiaxing, Zhang Zhili. Infrared camouflage detection method for special vehicles based on improved SSD[J]. Infrared and Laser Engineering, 2019, 48(11): 1104003-1104003(10). doi: 10.3788/IRLA201948.1104003
Citation: Zhao Xiaofeng, Xu Mingyang, Wang Danpiao, Yang Jiaxing, Zhang Zhili. Infrared camouflage detection method for special vehicles based on improved SSD[J]. Infrared and Laser Engineering, 2019, 48(11): 1104003-1104003(10). doi: 10.3788/IRLA201948.1104003
shu

基于改进SSD的特种车辆红外伪装检测方法

doi: 10.3788/IRLA201948.1104003
  • 1.

    火箭军工程大学 兵器发射理论与技术国家重点学科实验室,陕西 西安 710025

基金项目: 

国家自然科学基金（41404022）;陕西省自然科学基金面上项目（2015JM4128）;光电控制技术重点实验室和航空科学基金（201551U8008）

详细信息
    作者简介:

    赵晓枫(1979-),男,副教授,硕士生导师,博士,主要从事兵器发射理论与技术方面的研究。Email:xife_zhao@163.com

  • 中图分类号: O439

Infrared camouflage detection method for special vehicles based on improved SSD

  • 1.

    Armament Launch Theory and Technology Key Discipline Laboratory of China,Rocket Force Engineering University,Xi'an 710025,China

  • 摘要: 在目标检测领域，基于深度学习的SSD目标检测网络同时具有实时性好和准确性高两大优点。由于特种车辆红外图像难以获取，以小轿车和公交车红外图像为研究对象，构建了红外图像Pascal VOC数据集，训练了SSD网络，并利用训练好的网络检测了红外目标图像。结果表明，红外目标的特征信息越多，检测精度越高，但红外图像中信息残缺的车辆存在漏检的问题。针对该问题，通过添加残缺窗口模块优化数据集结构，有效解决了车辆漏检问题，同时目标整体的检测准确率也明显提升。将改进数据集后的红外目标检测结果作为评价指标，能够较准确评估复杂背景下特种车辆红外隐身伪装效果。
    Abstract: In the field of target detection, the Single Shot multibox Detector (SSD) target detection network based on deep learning has two advantages of good real-time performance and high accuracy. Because the infrared image of special vehicles was difficult to obtain, the infrared image of car and bus were taken as the research object, the Pascal VOC dataset of infrared image was constructed, the SSD network was trained, and the infrared target image was detected by the trained network. The results show that the more the feature information of the infrared target, the higher the detection accuracy, but the problem of missing detection of the vehicle with missing information exists in the infrared image. In response to this problem, the data structure was optimized by adding the incomplete window module, and the problem of missing detection of the vehicle was effectively solved, and the detection accuracy of the target as a whole was also significantly improved. The infrared target detection result after improving the data set was used as the evaluation index, which can accurately evaluate the infrared stealth camouflage effect of special vehicles under complex background.
  • [1] Tan Longtian. Research on image feature recognition based on deep learning[D]. Shenyang:Shenyang Ligong University, 2016. (in Chinese)谭龙田. 基于深度学习的图像特征识别方法研究[D]. 沈阳:沈阳理工大学, 2016.
    [2] Xu Fang, Liu Jinghong, Zeng Dongdong, et al. Detection and identification of unsupervised surface ship based on visual saliency[J]. Optics and Precision Engineering, 2017, 25(5):1300-1311. (in Chinese)徐芳, 刘晶红, 曾冬冬, 等. 基于视觉显著性的无监督海面舰船检测与识别[J]. 光学精密工程, 2017, 25(5):1300-1311.
    [3] Zhao Hongliang. Research on target recognition and tracking method for armored vehicles[D]. Beijing:Beijing Jiaotong University, 2017. (in Chinese)赵宏亮. 装甲车辆目标识别与跟踪方法研究[D]. 北京:北京交通大学, 2017.
    [4] Guo Ge, Wang Xingkai, Xu Huipu. Review of underwater target detection, recognition and tracking based on sonar images[J]. Control and Decision, 2018(5):906-922. (in Chinese)郭戈, 王兴凯, 徐慧朴. 基于声呐图像的水下目标检测、识别与跟踪研究综述[J]. 控制与决策, 2018(5):906-922.
    [5] Luo Haibo, He Miao, Hui Bin, et al. Pedestrian detection algorithm based on dual-mode full convolution network (invited)[J]. Infrared and Laser Engineering, 2018, 47(2):0203001. (in Chinese)罗海波, 何淼, 惠斌, 等. 基于双模全卷积网络的行人检测算法(特邀)[J]. 红外与激光工程, 2018, 47(2):0203001.
    [6] Gao Yuan, Liu Jian, Zhang Junju, et al. Research on weapon equipment based on method for infrared stealth effect evaluation[J]. Infrared Technology, 2017, 39(11):1060-1065.
    [7] Lenc K, Vedaldi A. R-CNN minus R[C]//BMVC, 2015:5.
    [8] Wei Niming, Quan Jicheng, Houyu Qingyang. Research on aerial image positioning of unmanned aerial vehicle based on YOLOv2[J]. Laser Optoelectronics Progress, 2017(11):111002. (in Chinese)魏溺明, 全吉成, 侯宇青阳. 基于YOLOv2的无人机航拍图像定位研究[J]. 激光与光电子学进展, 2017(11):111002.
    [9] Girshick B. Fast R-CNN[C]//ICCV, 2015:1440-1448.
    [10] Ren S, He K, Girshick R, et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE Trans Pattern Anal Mach Intell, 2015, 39(6):1137-1149.
    [11] Wu Tianshu, Zhang Zhijia, Liu Yunpeng, et al. Lightweight small target detection algorithm based on improved SSD[J]. Infrared and Laser Engineering, 2018, 47(7):0703005. (in Chinese)吴天舒, 张志佳, 刘云鹏,等. 基于改进SSD的轻量化小目标检测算法[J]. 红外与激光工程, 2018, 47(7):0703005.
    [12] Liu W, Anguelov D, Erhan D, et al. SSD:Single Shot MultiBox Detector[C]//ECCV, 2016:21-37.
    [13] Ding Peng, Zhang Ye, Jia Ping, et al. Detection of surface ship based on multi-scale and multi-feature visual saliency[J]. Optics and Precision Engineering, 2017, 25(9):2461-2468. (in Chinese)丁鹏, 张叶, 贾平, 等. 基于多尺度多特征视觉显著性的海面舰船检测[J]. 光学精密工程, 2017, 25(9):2461-2468.
    [14] Cheng Quan, Fan Yu, Liu Yuchun, et al. Multi-feature fusion vehicle identification technology[J]. Infrared and Laser Engineering, 2018, 47(7):0726003. (in Chinese)程全, 樊宇, 刘玉春, 等. 多特征融合的车辆识别技术[J]. 红外与激光工程, 2018, 47(7):0726003.
    [15] Liu Feng, Shen Tongsheng, Ma Xinxing, et al. Ship target recognition based on multi-band deep neural network[J]. Optics and Precision Engineering, 2017, 25(11):2939-2946. (in Chinese)刘峰, 沈同圣, 马新星, 等. 基于多波段深度神经网络的舰船目标识别[J].光学精密工程, 2017,25(11):2939-2946.
  • [1] 高凡, 杨小冈, 卢瑞涛, 王思宇, 高久安, 夏海.  Anchor-free轻量级红外目标检测方法（特邀） . 红外与激光工程, 2022, 51(4): 20220193-1-20220193-9. doi: 10.3788/IRLA20220193
    [2] 张景程, 乔新博, 赵永强.  红外偏振摄像机动目标检测跟踪系统（特邀） . 红外与激光工程, 2022, 51(4): 20220233-1-20220233-10. doi: 10.3788/IRLA20220233
    [3] 夏信, 何传亮, 吕英杰, 王守志, 张博, 陈晨, 陈海鹏, 李美萱.  深度学习驱动的智能电网运行图像数据压缩技术 . 红外与激光工程, 2022, 51(12): 20220097-1-20220097-6. doi: 10.3788/IRLA20220097
    [4] 郭恩来, 师瑛杰, 朱硕, 程倩倩, 韦一, 苗金烨, 韩静.  深度学习下的散射成像：物理与数据联合建模优化（特邀） . 红外与激光工程, 2022, 51(8): 20220563-1-20220563-13. doi: 10.3788/IRLA20220563
    [5] 韩金辉, 魏艳涛, 彭真明, 赵骞, 陈耀弘, 覃尧, 李楠.  红外弱小目标检测方法综述 . 红外与激光工程, 2022, 51(4): 20210393-1-20210393-24. doi: 10.3788/IRLA20210393
    [6] 张津浦, 王岳环.  融合检测技术的孪生网络跟踪算法综述 . 红外与激光工程, 2022, 51(10): 20220042-1-20220042-14. doi: 10.3788/IRLA20220042
    [7] 蔡仁昊, 程宁, 彭志勇, 董施泽, 安建民, 金钢.  基于深度学习的轻量化红外弱小车辆目标检测算法研究 . 红外与激光工程, 2022, 51(12): 20220253-1-20220253-11. doi: 10.3788/IRLA20220253
    [8] 蒋昕昊, 蔡伟, 杨志勇, 徐佩伟, 姜波.  基于YOLO-IDSTD算法的红外弱小目标检测 . 红外与激光工程, 2022, 51(3): 20210106-1-20210106-10. doi: 10.3788/IRLA20210106
    [9] 李芳丽.  监控视频中采用深度支持向量数据描述的异常检测 . 红外与激光工程, 2021, 50(9): 20210094-1-20210094-7. doi: 10.3788/IRLA20210094
    [10] 刘云朋, 霍晓丽, 刘智超.  基于深度学习的光纤网络异常数据检测算法 . 红外与激光工程, 2021, 50(6): 20210029-1-20210029-6. doi: 10.3788/IRLA20210029
    [11] 范有臣, 马旭, 马淑丽, 钱克昌, 郝红星.  基于深度学习的激光干扰效果评价方法 . 红外与激光工程, 2021, 50(S2): 20210323-1-20210323-7. doi: 10.3788/IRLA20210323
    [12] 南天章, 耿建君, 陈旭, 陈颖.  基于邻域特征的红外低慢小目标检测 . 红外与激光工程, 2019, 48(S1): 174-180. doi: 10.3788/IRLA201948.S128002
    [13] 唐聪, 凌永顺, 杨华, 杨星, 路远.  基于深度学习的红外与可见光决策级融合检测 . 红外与激光工程, 2019, 48(6): 626001-0626001(15). doi: 10.3788/IRLA201948.0626001
    [14] 唐聪, 凌永顺, 杨华, 杨星, 郑超.  基于深度学习物体检测的视觉跟踪方法 . 红外与激光工程, 2018, 47(5): 526001-0526001(11). doi: 10.3788/IRLA201847.0526001
    [15] 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
    [16] 唐聪, 凌永顺, 郑科栋, 杨星, 郑超, 杨华, 金伟.  基于深度学习的多视窗SSD目标检测方法 . 红外与激光工程, 2018, 47(1): 126003-0126003(9). doi: 10.3788/IRLA201847.0126003
    [17] 罗海波, 许凌云, 惠斌, 常铮.  基于深度学习的目标跟踪方法研究现状与展望 . 红外与激光工程, 2017, 46(5): 502002-0502002(7). doi: 10.3788/IRLA201746.0502002
    [18] 孙照蕾, 惠斌, 秦莫凡, 常铮, 罗海波, 夏仁波.  红外图像显著目标检测算法 . 红外与激光工程, 2015, 44(9): 2633-2637.
    [19] 黎志华, 李新国.  基于OpenCV的红外弱小运动目标检测与跟踪 . 红外与激光工程, 2013, 42(9): 2561-2565.
    [20] 张文攀, 吴军辉, 胡欣, 梁巍巍, 殷瑞光, 刘艳芳, 汪亚.  基于激光导引头对抗数据的光电对抗效果实验方法 . 红外与激光工程, 2013, 42(3): 637-642.
  • 加载中
WeChat 点击查看大图
计量
  • 文章访问数:  682
  • HTML全文浏览量:  172
  • PDF下载量:  80
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-07-11
  • 修回日期:  2019-08-21
  • 刊出日期:  2019-11-25

基于改进SSD的特种车辆红外伪装检测方法

doi: 10.3788/IRLA201948.1104003
  • 1. 火箭军工程大学 兵器发射理论与技术国家重点学科实验室,陕西 西安 710025
    • 作者简介:

    赵晓枫(1979-),男,副教授,硕士生导师,博士,主要从事兵器发射理论与技术方面的研究。Email:xife_zhao@163.com

  • 收稿日期: 2019-07-11
  • 修回日期: 2019-08-21
  • 刊出日期: 2019-11-25
基金项目:

国家自然科学基金（41404022）;陕西省自然科学基金面上项目（2015JM4128）;光电控制技术重点实验室和航空科学基金（201551U8008）

  • 中图分类号: O439

摘要: 在目标检测领域，基于深度学习的SSD目标检测网络同时具有实时性好和准确性高两大优点。由于特种车辆红外图像难以获取，以小轿车和公交车红外图像为研究对象，构建了红外图像Pascal VOC数据集，训练了SSD网络，并利用训练好的网络检测了红外目标图像。结果表明，红外目标的特征信息越多，检测精度越高，但红外图像中信息残缺的车辆存在漏检的问题。针对该问题，通过添加残缺窗口模块优化数据集结构，有效解决了车辆漏检问题，同时目标整体的检测准确率也明显提升。将改进数据集后的红外目标检测结果作为评价指标，能够较准确评估复杂背景下特种车辆红外隐身伪装效果。

English Abstract

    全文HTML

参考文献 (15)

目录

    /

    返回文章
    返回

    版权所有 © 2019 《红外与激光工程》编辑部｜ 地址: 天津市空港经济区中环西路58号｜ 邮政编码: 300308

    津ICP备19007885号-1

    本系统由 北京仁和汇智信息技术有限公司 开发    百度统计