太原理工大学电气与动力工程学院, 山西 太原 030000
为了提高可见光和红外图像决策级融合目标检测算法的性能, 提出了一种基于模型可靠性的决策级融合策略。首先采取图像预处理技术提高红外图像的整体质量, 之后对可见光与热红外目标检测模型分别进行训练测试, 根据模型测试结果得到融合策略所需参数, 依据所提出的融合策略对模型检测结果进行融合, 得到最后的融合检测结果。实验结果表明, 相比于单一目标检测模型的检测结果, 所采用的融合算法在白天的漏检率比可见光检测模型降低了 8.16%, 夜间漏检率比红外检测模型降低了 9.85%。
目标检测 决策级融合 图像处理 双波段 深度学习 object detection decision-level fusion image processing dual band deep learning
1 陕西师范大学计算机科学学院, 陕西 西安 710119
2 陕西师范大学现代教学技术教育部重点实验室, 陕西 西安 710119
基于全卷积网络提出了一种图像分割模型以获取目标分割结果,模型包含两个结构相同的深层神经网络分支,每个分支采用卷积-反卷积的结构实现特征提取和从特征恢复目标区域;两个分支接收不同类型图像输入,将来源于两个分支的结果通过加权融合得到最终的分割结果。模型融合了不同图像源的多级尺度特征,在训练样本数有限的情况下,通过数据增强使训练得到的模型稳健性更强。在光学图像数据集Weizmann horse和遥感影像数据集Vaihigen上进行实验,并与相关文献进行比较,结果表明,所提模型具有更高的目标分割完整度和最优的分割性能,在训练数据有限、形态各异、尺度变化较大等的遥感影像建筑物提取中取得了理想的结果,表明该模型可应用于复杂的遥感影像目标分割。
图像处理 图像分割 深层卷积神经网络 多尺度特征融合 多源输入 决策级融合 激光与光电子学进展
2019, 56(1): 011008
1 国防科技大学电子对抗学院, 安徽 合肥 230037
2 脉冲功率激光技术国家重点实验室, 安徽 合肥 230037
3 西南电子电信技术研究所, 四川 成都 610041
提出了一种基于深度学习的红外与可见光决策级融合跟踪方法。通过建立参数传递模型,从现有基于深度学习的检测模型中抽取指定对象的可见光检测模型,作为红外检测的预训练模型,在采集的红外图像数据集上进行微调训练,得到基于深度学习的红外检测模型。在此基础上,建立了基于深度学习的红外与可见光决策级融合跟踪模型,进行了单波段跟踪与双波段融合跟踪对比实验。结果表明,所提方法跟踪精度和成功率比单波段跟踪均有所提升,具有较好的稳健性。
机器视觉 目标跟踪 决策级融合 双波段 深度学习 激光与光电子学进展
2019, 56(7): 071502
唐聪 1,2,3凌永顺 1,2,3杨华 1,2,3杨星 1,2,3路远 1,2,3
1 国防科技大学电子对抗学院, 安徽 合肥 230037
2 脉冲功率激光技术国家重点实验室, 安徽 合肥 230037
3 红外与低温等离子体安徽省重点实验室, 安徽 合肥 230037
提出了一种基于深度学习的红外与可见光决策级融合检测方法。首先, 提出了一种介于深度学习模型之间的参数传递模型, 进而从基于深度学习的可见光物体检测模型上抽取了用于红外物体检测的预训练模型, 并在课题组实地采集的红外数据集上进行fine-tuning, 从而得到基于深度学习的红外物体检测模型。在此基础上, 提出了一种基于深度学习的红外与可见光决策级融合检测模型, 并对模型设计、图像配准、决策级融合过程进行了详细地阐述。最后, 进行了白天和傍晚条件下基于深度学习的单波段检测实验和双波段融合检测实验。定性分析上, 由于波段之间的信息互补性, 相比于单波段物体检测, 双波段融合物体检测在检测结果上具有更高的置信度和更精确的物体框; 定量分析上, 白天时, 双波段融合检测的mAP为86.0%, 相比于红外检测和可见光检测分别提高了9.9%和5.3%; 傍晚时, 双波段融合检测的mAP为89.4%, 相比于红外检测和可见光检测分别提高了3.1%和14.4%。实验结果表明: 基于深度学习的双波段融合检测方法相比于单波段检测方法具有更好的检测性能和更强的鲁棒性, 同时也验证了所提出方法的有效性。
物体检测 决策级融合 双波段 深度学习 object detection decision-level fusion dual band deep learning 红外与激光工程
2019, 48(6): 0626001
1 杭州电子科技大学通信信息传输与融合技术国防重点学科实验室, 杭州 310018
2 中国科学院长春光学精密机械与物理研究所, 长春 130033
针对复杂环境下引起的目标失跟问题,提出了一种基于模型互更新的可见光与红外图像融合跟踪算法。基于把视觉跟踪问题视为 “中心-周围”分类的思想,首先从可见光与红外图像中分别提取目标及周围像素点的特征,然后采用 Boosting算法训练得到跟踪模型。基于分类结果计算像素点的置信度,采用决策级融合方法得到似然图像,通过均值漂移算法估计目标位置。最后在 Co-Training框架下结合目标跟踪结果进行模型的互更新。实验结果表明,该算法提高了跟踪的鲁棒性,有效利用了多模图像的信息。
视觉跟踪 多模图像融合 决策级融合 模型互更新 visual tracking multimodal image fusion decision level fusion CoUpdate
1 杭州电子科技大学自动化学院, 浙江 杭州 310018
2 中国科学院长春光学精密机械与物理研究所, 吉林 长春 130033
对高光谱影像的 RX异常检测算法进行了研究。针对 RX算法中对高维数据局部背景协方差矩阵估计存在较大误差的局限性,提出一种基于决策级融合的 RX算子高光谱影像异常目标检测算法。首先,对同一场景下的可见近红外数据和短波红外数据分别运用经典的 RX算子进行异常检测,得到初步异常检测的目标判决。在此基础上,利用传感器获取信息的冗余性和互补性特性,结合基于规则的决策级融合方法,得到最终的 RX异常检测判决结果。在实测高光谱数据上进行了实验仿真,验证了本算法的有效性。
高光谱影像 异常检测 RX算法 决策级融合 hyperspectral image anomaly detection RX detector decision-level fusion