兵工学报 ›› 2024, Vol. 45 ›› Issue (8): 2478-2486.doi: 10.12382/bgxb.2023.0595
郭爱强1,2, 李天鹏1,2, 朱曦1,2, 管智超1,2, 李门1,2, 董弘玙1,2, 高欣宝1,2,*()
收稿日期:
2023-06-20
上线日期:
2023-11-07
通讯作者:
GUO Aiqiang1,2, LI Tianpeng1,2, ZHU Xi1,2, GUAN Zhichao1,2, LI Men1,2, DONG Hongyu1,2, GAO Xinbao1,2,*()
Received:
2023-06-20
Online:
2023-11-07
摘要:
为提高干扰弹在战场上作战效能,摸清干扰弹的作战效能底数和极限施放条件,并修正干扰弹烟幕扩散方程。针对现有干扰弹作用过程形成的烟幕,烟幕透明特性和纹理各不相同,通用性较差,为能精准提取烟幕的烟幕轮廓和运动特征,提出一种基于卷积神经网络、烟幕时空特征的混合方法。该方法主要分为5个阶段:对YUV色彩空间的对比度调整;应用了差帧法检测输入视频图像序列的运动区域,设计了卷积神经网络体系结构框架,将运动区域通过卷积神经网络识别烟幕候选区域;根据烟幕的时空特征,从每个候选区域进一步识别烟幕候选区域;采用了支持向量机分类器,利用提取的特征对真实烟幕区域与非烟幕区域进行分类;提取烟幕特征的参数。经试验验证,所建立的模型将烟幕识别准确度最低提高至99.94%,能有效满足修正干扰弹作用过程中的烟幕扩散方程,为干扰弹的定型试验和作战应用提供了有力支持。
中图分类号:
郭爱强, 李天鹏, 朱曦, 管智超, 李门, 董弘玙, 高欣宝. 基于卷积神经网络和时空特征的烟幕视频检测和参数提取[J]. 兵工学报, 2024, 45(8): 2478-2486.
GUO Aiqiang, LI Tianpeng, ZHU Xi, GUAN Zhichao, LI Men, DONG Hongyu, GAO Xinbao. Smoke Screen Video Detection and Parameter Extraction Based on Convolutional Neural Network and Spatio-temporal Features[J]. Acta Armamentarii, 2024, 45(8): 2478-2486.
方法 | 优点 | 缺点 |
---|---|---|
基于颜色和纹理特征[ | 1)实现简单; 2)对旋转变化的鲁棒性。 | 取决于图像分辨率。 |
基于运动特征[ | 可以忽略场景中像烟幕状的物体。 | 1)对光线变化敏感; 2)对相机震动敏感。 |
基于动态纹理和图像能量特征[ | 在高能量图像中,检测精度高。 | 1)执行复杂; 2)计算复杂度高; 3)对低能量背景敏感。 |
基于卷积神经网络[ | 1)检测精度高; 2)自动特征提取。 | 1)对烟幕的运动特性缺乏关注; 2)计算复杂度高; 3)网络训练需要较多的数据。 |
表1 现有烟幕检测方法的优缺点
Table 1 Advantages and disadvantages of existing smoke screen detection methods
方法 | 优点 | 缺点 |
---|---|---|
基于颜色和纹理特征[ | 1)实现简单; 2)对旋转变化的鲁棒性。 | 取决于图像分辨率。 |
基于运动特征[ | 可以忽略场景中像烟幕状的物体。 | 1)对光线变化敏感; 2)对相机震动敏感。 |
基于动态纹理和图像能量特征[ | 在高能量图像中,检测精度高。 | 1)执行复杂; 2)计算复杂度高; 3)对低能量背景敏感。 |
基于卷积神经网络[ | 1)检测精度高; 2)自动特征提取。 | 1)对烟幕的运动特性缺乏关注; 2)计算复杂度高; 3)网络训练需要较多的数据。 |
视频片段编号 | 文件名称 | 数据集 | 视频图像尺寸/像素 | 视频帧数 | 是否有烟幕 |
---|---|---|---|---|---|
VC1 | 01_ballistic | 训练 | 320×240 | 347 | 是 |
VC2 | 02_ballistic | 训练 | 320×240 | 210 | 是 |
VC3 | 03_ballistic | 训练 | 1080×1920 | 3005 | 是 |
VC4 | 04_ballistic | 训练 | 1080×1920 | 1835 | 是 |
VC5 | 05_ballistic | 训练 | 320×288 | 2953 | 是 |
VC6 | 06_ballistic | 训练 | 1080×1920 | 630 | 是 |
VC7 | 07_ballistic | 训练 | 1080×1920 | 1400 | 是 |
VC8 | 08_ballistic | 训练 | 320×240 | 1726 | 是 |
VC9 | 09_ballistic | 预测 | 320×240 | 1200 | 是 |
VC10 | 10_ballistic | 预测 | 320×240 | 517 | 是 |
VC11 | 11_ballistic | 预测 | 1080×1920 | 640 | 是 |
VC12 | 12_ballistic | 预测 | 320×240 | 783 | 是 |
表2 实验所用干扰弹烟幕视频片段的特征
Table 2 Characteristics of video footage of jamming smoke screens used in experiments
视频片段编号 | 文件名称 | 数据集 | 视频图像尺寸/像素 | 视频帧数 | 是否有烟幕 |
---|---|---|---|---|---|
VC1 | 01_ballistic | 训练 | 320×240 | 347 | 是 |
VC2 | 02_ballistic | 训练 | 320×240 | 210 | 是 |
VC3 | 03_ballistic | 训练 | 1080×1920 | 3005 | 是 |
VC4 | 04_ballistic | 训练 | 1080×1920 | 1835 | 是 |
VC5 | 05_ballistic | 训练 | 320×288 | 2953 | 是 |
VC6 | 06_ballistic | 训练 | 1080×1920 | 630 | 是 |
VC7 | 07_ballistic | 训练 | 1080×1920 | 1400 | 是 |
VC8 | 08_ballistic | 训练 | 320×240 | 1726 | 是 |
VC9 | 09_ballistic | 预测 | 320×240 | 1200 | 是 |
VC10 | 10_ballistic | 预测 | 320×240 | 517 | 是 |
VC11 | 11_ballistic | 预测 | 1080×1920 | 640 | 是 |
VC12 | 12_ballistic | 预测 | 320×240 | 783 | 是 |
视频片段编号 | aTPR | aTNR | aFPR | aAccuracy |
---|---|---|---|---|
VC1 | 55.53 | 44.47 | 0 | 100 |
VC2 | 45.71 | 54.29 | 0 | 100 |
VC3 | 41.18 | 48.50 | 10.32 | 89.68 |
VC4 | 53.27 | 46.73 | 0 | 100 |
VC5 | 82.35 | 17.65 | 0 | 100 |
VC6 | 86.69 | 13.31 | 0 | 100 |
VC7 | 88.72 | 11.28 | 0 | 100 |
VC8 | 63.16 | 26.80 | 10.04 | 89.96 |
VC9 | 83.81 | 16.19 | 0 | 100 |
VC10 | 81.13 | 13.60 | 5.27 | 94.73 |
VC11 | 89.14 | 10.86 | 0 | 100 |
VC12 | 83.40 | 16.60 | 0 | 100 |
表3 神经网络提取时的评估值
Table 3 The values evaluated when the neural network extracts %
视频片段编号 | aTPR | aTNR | aFPR | aAccuracy |
---|---|---|---|---|
VC1 | 55.53 | 44.47 | 0 | 100 |
VC2 | 45.71 | 54.29 | 0 | 100 |
VC3 | 41.18 | 48.50 | 10.32 | 89.68 |
VC4 | 53.27 | 46.73 | 0 | 100 |
VC5 | 82.35 | 17.65 | 0 | 100 |
VC6 | 86.69 | 13.31 | 0 | 100 |
VC7 | 88.72 | 11.28 | 0 | 100 |
VC8 | 63.16 | 26.80 | 10.04 | 89.96 |
VC9 | 83.81 | 16.19 | 0 | 100 |
VC10 | 81.13 | 13.60 | 5.27 | 94.73 |
VC11 | 89.14 | 10.86 | 0 | 100 |
VC12 | 83.40 | 16.60 | 0 | 100 |
视频片段编号 | aTPR | aTNR | aFPR | aAccuracy |
---|---|---|---|---|
VC3 | 41.18 | 58.57 | 0.25 | 99.75 |
VC8 | 63.16 | 36.78 | 0.06 | 99.94 |
VC10 | 81.13 | 18.86 | 0.01 | 99.99 |
表4 时空特征分析后的评估值
Table 4 Evaluated values after analysis of space-time and spatial characteristics %
视频片段编号 | aTPR | aTNR | aFPR | aAccuracy |
---|---|---|---|---|
VC3 | 41.18 | 58.57 | 0.25 | 99.75 |
VC8 | 63.16 | 36.78 | 0.06 | 99.94 |
VC10 | 81.13 | 18.86 | 0.01 | 99.99 |
[1] |
李笑楠, 李天鹏, 张开创, 等. 多频谱发烟组件结构设计与遮蔽性能[J]. 兵工学报, 2023, 44(3): 910-918.
doi: 10.12382/bgxb/2021.0818 |
doi: 10.12382/bgxb/2021.0818 |
|
[2] |
郭爱强, 高欣宝, 李天鹏. 烟幕弹对制导弹药的干扰效能评估现状[J]. 兵器装备工程学报, 2021, 42(12): 64-71.
|
|
|
[3] |
徐路程, 郝雪颖, 肖凯涛, 等. 爆炸型烟幕弹遮蔽效能仿真研究[J]. 兵工学报, 2020, 41(7): 1299-1306.
doi: 10.3969/j.issn.1000-1093.2020.07.006 |
doi: 10.3969/j.issn.1000-1093.2020.07.006 |
|
[4] |
顾有林, 陈国龙, 胡以华, 等. 气溶胶沉降扩散研究进展(特邀)[J]. 红外与激光工程, 2022, 51(7):11-21.
|
|
|
[5] |
doi: 10.1016/j.dt.2021.09.017 |
[6] |
郭爱强, 高欣宝, 李天鹏, 等. 五帧差分法提取实测红外烟幕图像的特征参数[J]. 含能材料, 2021, 29(12):1144-1151.
|
|
|
[7] |
夏雪, 袁非牛, 章琳, 等. 从传统到深度:视觉烟雾识别、检测与分割[J]. 中国图象图形学报, 2019, 24(10): 1627-1647.
|
|
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
石志. 基于深度字典学习的纹理分类研究[D]. 南昌: 南昌大学, 2023: 25-41.
|
|
|
[18] |
doi: 10.1109/TCYB.2014.2307862 pmid: 25415948 |
[19] |
doi: 10.1109/TIP.2014.2310123 pmid: 24690574 |
[20] |
|
[21] |
王国平. 基于深度学习的快速火焰检测[D]. 淮安: 淮阴工学院, 2022.
|
|
|
[22] |
周兴华, 陈西江, 羊海东, 等. 动态卷积YOLOv5的视频火焰检测算法[J]. 测绘科学, 2023, 48(4):106-118.
|
|
|
[23] |
何惜琴, 陈冬冬. 于YUV颜色模型与导向滤波的图像去雾算法[J]. 液晶与显示, 2021, 36(8):1166-1173.
|
|
|
[24] |
|
[25] |
|
[26] |
陈浩, 高欣宝, 李天鹏, 等. 烟幕初始云团最大半径数值模拟[J]. 含能材料, 2018, 26(10):820-827.
|
|
|
[27] |
|
[28] |
|
[29] |
|
[30] |
谭永前, 曾凡菊. 基于凸包计算和小波变换的显著目标检测算法[J]. 兵器装备工程学报, 2023, 44(4):252-261.
|
|
|
[31] |
|
[32] |
|
[33] |
|
[1] | 杨环宇, 王军, 吴祥, 薄煜明, 马立丰, 陆金磊. 一种坐标通道注意力深度学习网络的军用飞机识别方法[J]. 兵工学报, 2024, 45(7): 2128-2143. |
[2] | 刘芳, 李士伟, 卢熹, 郭策安. 基于PSO-CNN-XGBoost水下柱形装药峰值超压预测[J]. 兵工学报, 2024, 45(5): 1602-1612. |
[3] | 吕卫民, 孙晨峰, 任立坤, 赵杰, 李永强. 一种基于TCN-LGBM的航空发动机气路故障诊断方法[J]. 兵工学报, 2024, 45(1): 253-263. |
[4] | 周宇, 曹荣刚, 栗苹, 马啸. 一种用于外场试验图像的引信炸点检测方法[J]. 兵工学报, 2023, 44(8): 2453-2464. |
[5] | 吴礼洋, 呙鹏程, 刘超, 李文强. 基于注意力机制增强残差网络的雷达信号调制类型识别[J]. 兵工学报, 2023, 44(8): 2310-2318. |
[6] | 刘懿, 任济寰, 吴祥, 薄煜明. 基于集成迁移学习的新装备装甲车辆分类[J]. 兵工学报, 2023, 44(8): 2319-2328. |
[7] | 何锦成, 韩永成, 张闻文, 何伟基, 陈钱. 基于通道校正卷积的真彩色微光图像增强[J]. 兵工学报, 2023, 44(6): 1643-1654. |
[8] | 刘佳, 刘海鸥, 陈慧岩, 毛飞鸿. 基于融合特征的无人履带车辆道路类型识别方法[J]. 兵工学报, 2023, 44(5): 1267-1276. |
[9] | 王检, 张邦宁, 张洁, 魏国峰, 郭道省. 基于多域特征融合的通信辐射源个体识别方法[J]. 兵工学报, 2023, 44(4): 949-959. |
[10] | 张良安, 陈洋, 谢胜龙, 刘同鑫. 基于机器视觉与深度学习的飞机防护栅裂纹检测系统[J]. 兵工学报, 2023, 44(2): 507-516. |
[11] | 王洋, 冯永新, 宋碧雪, 田秉禾. DP-DRCnet卷积神经网络信号调制识别算法[J]. 兵工学报, 2023, 44(2): 545-555. |
[12] | 郑志伟, 管雪元, 傅健, 马训穷, 尹上. 基于卷积神经网络与长短期记忆神经网络的弹丸轨迹预测[J]. 兵工学报, 2023, 44(10): 2975-2983. |
[13] | 丁伯圣, 张睿恒, 徐立新, 陈慧敏. 基于灰度补偿和特征融合的沙尘图像修复方法[J]. 兵工学报, 2023, 44(10): 3115-3126. |
[14] | 王晓琦, 赵旸, 张键, 王硕. 基于深度学习的船体三维模型自动生成方法[J]. 兵工学报, 2022, 43(S2): 115-119. |
[15] | 袁航, 罗迎, 李开明, 陈怡君, 张群. 基于涡旋电磁波雷达的人体目标步态精细识别[J]. 兵工学报, 2022, 43(5): 1167-1174. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||