基于hu矩與改進pnn的飛機姿態(tài)識別算法

《基于hu矩與改進pnn的飛機姿態(tài)識別算法》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。

1、基于Hu矩與改進PNN的飛機姿態(tài)識別算法摘要：在軍事領域，為y快速準確識別出飛機飛行過程中的姿態(tài)，提出一種基于Hu矩與改進的概率神經(jīng)網(wǎng)絡(IPNN)的新方法。該方法對于無噪聲灰度化圖片，先進行二值化處理，再計算圖像的Hu矩特征。將飛機飛行的360°姿態(tài)按三視圖分為三個類別，即正視圖、側視圖、俯視圖。四維llti矩作為PNN輸入，三個視圖代表的三個類別作為PNN輸出，構建PNN網(wǎng)絡。實驗結果表明，對于無噪聲圖片平均識別率可以達到91.2%以上；對于存噪聲圖片平均識別率可以達到87.0%以上，可見訓練后的網(wǎng)絡具備良好的泛化能力。本文采集自網(wǎng)絡，本站發(fā)布的論文均是優(yōu)質論文，供學習和研宄使用，文

2、中立場與本網(wǎng)站無關，版權和著作權歸原作者所有，如有不愿意被轉載的情況，請通知我們刪除己轉載的信息，如果需耍分享，請保留本段說明。關鍵詞：飛機；姿態(tài)；概率神經(jīng)網(wǎng)絡；Hu矩；分類中圖分類號：TP391.41文獻標識碼：A文章編號：1673-5048(2017)01-0055-07[SQ0]0引言現(xiàn)代軍事活動中，通過定位"機的姿態(tài)，能夠更準確地定位飛機的局部特征。如在景象制導空空導彈制導中，為了提高制導精度，必須定位目標的關鍵部位，所以有必要對飛機飛行圖像進行處理，識別出螺旋漿、機艙、油箱等關鍵部位，再向關鍵或軟弱部位發(fā)射導彈，以達到增強毀傷的效果。飛機關鍵部位的識別與飛機飛行的姿態(tài)有直接關系

3、，飛機飛行姿態(tài)不同，關鍵部位也各有差異，所以必須首先對飛機飛行的姿態(tài)進行識別，然后才能定位關鍵部位。H前，存不少學者對飛機飛行姿態(tài)的定位進行了研究。劉剛［1］等基于紅外圖像，將飛機圖像分割成背景、機身、尾焰三部分，通過計算一種組合矩，同時結合面積比特征來實現(xiàn)姿態(tài)識別；趙芹［2］等結合Hu矩與仿射不變矩，提出一種有利于目標特點的特征量和自動識別算法；荊文芳［3］則將矩特征與飛機目標的紅外特征結合起來進行識別；涂建平［4-5］等通過對飛機目標進行骨架提取、霍夫變換等過程，檢測飛機機軸，識別飛機機頭。以上研宄均取得了一定成果，但對于飛機姿態(tài)的建模過于繁瑣，對飛機局部特征定位有很大的局限性。飛機

4、在飛行過程中處于某一姿態(tài)是一個概率事件，可以采用P.模擬此過程，通過訓練后的PNN，得到某一特定樣本處于某一姿態(tài)的概率，可以更合理判定其類別。為此，提出一種基于Hti與IP麗的飛機姿態(tài)識別算法。通過提取飛機圖片的四維Hu矩特征，作為PNN的輸入，經(jīng)過訓練好的P麗，得到最終的分類結果。1研究理論原始圖像經(jīng)過預處理，得到二值化圖片，提取圖像的特征，經(jīng)過訓練后的TON，得到最終的分類結果。研究框架見圖1。1.1矩Hu矩作為識別的基本特征己廣泛應用于圖像識別、模板匹配、邊緣檢測、數(shù)字水印和圖像分析PP

5、算輸入層映射到各類樣本的概率，輸出層選取求和層最大概率所屬的類別作為最終的輸出類別［12-15］。1.2.2PNN優(yōu)點與BP網(wǎng)絡、RBF網(wǎng)絡等傳統(tǒng)的前饋神經(jīng)網(wǎng)絡相比，PNN具有以下特點［16］:(1)網(wǎng)絡學習過程簡單，訓練速度快。根據(jù)模式樣本的特征及網(wǎng)絡的外監(jiān)督信號(期望輸出)，直接獲得網(wǎng)絡隱層單元的連接權值，無需反復訓練網(wǎng)絡，各層神經(jīng)元的數(shù)目比較固定，因而易于硬件實現(xiàn)［17-18］。(2)網(wǎng)絡的容錯性好，模式分類能力強，收斂性較好［19-20］。網(wǎng)絡模式層采用徑向基的非線性映射函數(shù)，考慮了不同類別模式樣本的交錯影響，而模式的輸出層又消除了不同類別模式樣本的交錯影響［21］，這樣構成的各

6、個類別模式間的判決分界面是滿足Bayes規(guī)則的最優(yōu)解［22］。(3)網(wǎng)絡的擴充性能好，結構設計靈活方便。由于網(wǎng)絡學習過程簡單且穩(wěn)定性高，允許增加或減少新的類別模式樣本而無需秉新進行長時間的訓練學習［23-24］?；谏鲜鰞?yōu)點，PNN己廣泛用于模式識別、故障診斷與專家系統(tǒng)、回歸擬合等領域。1.2.3改進的PNN本文PNN網(wǎng)絡結構大體與標準P麗一致，改進的地方是在求和單元層與輸出單元層之間加入學習層，且為全連接，見圖3。2.3算法流程圖本算法分為訓練環(huán)節(jié)和測試環(huán)節(jié)。訓練環(huán)節(jié)中，對于無噪聲灰度化圖片，通過圖像預處理獲得二值化圖片后，通過邊緣檢測，獲得飛機的輪廓，對飛機輪廓外接矩形總體計算四維H

7、u矩特征，作為PNN訓練集，獲得訓練好的P麗網(wǎng)絡。測試環(huán)節(jié)中，由單幀測試圖片，經(jīng)過預處理、二值化后提取四維Hu矩，輸入訓練好的PNN網(wǎng)絡，獲得分類結果。算法流程見圖6。3??驗分析3.1實驗環(huán)境搭建實驗在VisualStudio2013平臺下進行，安裝了開3.2實驗結果每類飛機訓練樣本有150個，其中正視圖、側視圖、俯視圖的個數(shù)均為50個。IPNN的輸入層神經(jīng)元個數(shù)為4個，提取每個樣本的四維Hu矩特征作為IPNN的輸入；模式層神經(jīng)元