-
题名基于改进的胡氏不变矩的坦克识别方法
被引量：2
- 1
-
-
作者
胡福东
白宏阳
李成美
孙瑞胜
-
机构
南京理工大学能源与动力工程学院
-
出处
《兵器装备工程学报》
CAS
2016年第12期100-104,共5页
-
基金
中国航空科学基金(20145159002)
-
文摘
针对基于胡氏不变矩的坦克识别率低、在图像离散采样的情况下受图像尺度变化影响的问题,进行了图像尺度不变性研究,设计了一种基于改进的胡氏不变矩的坦克识别方法;为解决最大类间方差法在复杂背景下图像分割阈值与真实阈值发生偏移的问题,采用改进的最大类间方差法分割图像,减少了偏移量。将胡氏不变矩和改进的胡氏不变矩的算法进行了对比实验,实验结果表明:相对于采用胡氏不变矩的坦克识别方法,改进后的识别方法识别率提高了22%,该方法运算时间减少了80 ms,能克服图像的尺度变化造成的影响。
-
关键词
坦克识别
胡氏不变矩
最大类间方差法
-
Keywords
recognition of tank
Hu invariant moments
maximum between-class variance
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名嵌入式平台下红外图像坦克目标识别的实现方法
被引量：7
- 2
-
-
作者
王磊
关英
孟志敏
郝永平
徐九龙
-
机构
沈阳理工大学兵器科学与技术研究中心
-
出处
《兵器装备工程学报》
CAS
CSCD
北大核心
2021年第4期132-137,共6页
-
基金
辽宁省自然科学基金项目(20180550714)
沈阳市中青年科技创新人才支持计划项目(RC200537)。
-
文摘
针对战场环境下红外图像中坦克目标在嵌入式系统中的快速识别,提出一种改进的HOG特征提取结合AdaBoost分类算法的红外图像坦克目标识别实现方法。为了便于在ARM/FPGA嵌入式平台实现,该方法根据FPGA的计算特性对HOG特征提取算法进行优化设计,克服FPGA不适合的除法运算与反正切运算带来弊端。为验证算法的有效性,通过软硬协同设计的方法搭建了嵌入式系统,开发了ARM/FPGA样机,采集坦克目标的红外样本数据,在不同平台开展了目标识别实验。实验结果表明:改进后的算法在保证识别率的基础上,单张图片的处理时间平均为52ms,大幅地提高了运算速度。
-
关键词
红外图像
坦克目标识别
FPGA
嵌入式系统
-
Keywords
infrared image
tank target recognition
FPGA
embedded system
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLOv5的坦克目标检测算法
被引量：4
- 3
-
-
作者
梅礼坤
陈智利
牛恒
-
机构
西安工业大学光电工程学院
-
出处
《激光杂志》
CAS
北大核心
2024年第1期92-98,共7页
-
基金
国家级科研项目(No.G20210101)
陕西省科技厅(No.2023-YBGY-369)。
-
文摘
坦克目标的准确识别定位是信息化战争中一项重要研究,针对传统检测算法抗干扰性差、难应用于大视野复杂环境下的问题,提出了一种基于改进YOLOv5坦克自动识别的检测算法。利用YOLOv5模型对大视野复杂战场环境下坦克目标进行识别:在YOLOv5基础模型中引入Attention-based information fusion模块,提高模型检测精度和识别能力;使用Pre-segment multi-scale fusion模块解决骨干网络中池化操作所造成的信息丢失问题;使用Swin Transformer机制降低小目标坦克漏检误检的问题。在坦克数据集上进行实验,结果表明:与YOLOv5原始模型相比,改进模型的召回率、平均精度分别提高了9.1%、5.1%。改进后的YOLOv5模型可以很好地对大视野复杂环境下坦克目标进行精确识别,改善了坦克目标检测中小目标漏检的问题。
-
关键词
大视野
深度学习
坦克目标识别
YOLOv5
-
Keywords
wide filed
deep learning
tank target identification
YOLOv5
-
分类号
TN911
[电子电信—通信与信息系统]
-
-
题名基于YOLOv4改进算法的坦克装甲车辆目标检测
被引量：2
- 4
-
-
作者
李治林
杜玉军
王牌
-
机构
西安工业大学光电工程学院
-
出处
《电光与控制》
CSCD
北大核心
2024年第6期105-111,共7页
-
基金
陕西省科技厅项目(2023-YBGY-369)。
-
文摘
在信息化作战的大背景下,为实现无人模式智能收集前方战场的坦克目标信息,研究提出了一种基于YOLOv4地面坦克目标检测的改进算法。基于原YOLOv4目标检测算法,使用多特征层拼接模块增强特征信息的传递与流动;使用全局信息获取模块更好地对全局特征信息进行捕获;使用多尺度信息融合模块扩大特征融合的尺度;添加解耦检测头模块将目标分类和位置回归任务进行解耦操作使得网络学习更加彻底。实验结果显示,与YOLOv4算法相比,改进后的YOLOv4_Modify算法提高了识别精度,其中,Recall值提升了10.2个百分点,mAP值提升了4.3个百分点。实验结果表明,改进后的YOLOv4_Modify算法能够精确地识别出复杂环境下不同尺度的坦克目标,改善了原有检测算法中对较小坦克目标的漏检问题,为信息化作战提供了视觉技术支持。
-
关键词
多尺度
坦克目标识别
深度学习
注意力机制
YOLOv4
-
Keywords
multi-scale
tank target recognition
deep learning
attention mechanism
YOLOv4
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
