基于国产嵌入式智能计算平台的无人机检测方法

面向陆地战场上对反无人机侦察的现实需求,提出一种基于国产嵌入式智能计算平台的无人机检测方法。针对无人机体型小、易受战场环境影响而不易察觉的难题,采用红外、可见光图像和视频流等多源输入进行目标检测;针对嵌入式平台算力和存储能力有限的特性,构建轻量化深度神经网络,通过将单次多盒检测器(SSD)中的特征提取网络替换为MobileNet进行模型优化;选用国产嵌入式平台比特大陆SE5智能计算盒进行验证,完成模型转换和移植。实验结果表明:所提基于轻量化深度神经网络MobileNet-SSD的无人机检测方法在国产嵌入式智能计算平台上能够准确判断出目标的类别,且平均识别精度和帧率与在开发环境中运行差距不大。充分表明所提方法在国产嵌入式智能计算平台上进行移植后,能够在速度和精度方面满足应用环境对无人机检测算法实时性与准确性的要求。

运用时空大数据增强战场态势感知能力

时空数据是同时具有时间、空间和专题属性的三维数据。近年来,时空大数据技术领域取得重大进展,时空大数据也开始逐渐应用于战场态势感知,辅助联合作战指挥决策,推动了智能化战争的快速演进。本文基于未来战场对一体化联合作战战场态势感知的新要求,从用于支撑战场态势感知的时空大数据平台构建、时空大数据来源拓展和平台的优化利用等三个层次,探讨了打造军事作战资源“一张图”以支撑一体化联合作战战场态势感知的可行性;同时,对时空数据结构、数据平台和数据分析计算方法等方面进行了深入分析和重点布局。研究成果可对解决“参战力量在哪里,可配合的友邻力量有哪些,能使用的军事资源有什么”等问题和提升基于时空大数据技术的联合作战、全域作战能力提供技术及理论支撑。

战场可疑目标智能识别与跟踪框架研究

针对陆战场人、装备等典型目标图像,提出了一套战场可疑目标智能识别与跟踪框架,用于目标检测与图像识别,以及对可疑目标进行跟踪。人脸检测基于MTCNN网络,可以有效检测人脸及人脸中的5个关键点;人脸识别基于FaceNet网络,并且使用随机森林算法作为分类器,训练用于识别10位在影视剧中饰演军人的演员模型,在测试集上的准确率为94.76%;装备目标检测与识别基于YOLO v3模型,能够检测与识别20种武器装备;可疑目标跟踪基于BACF算法,在10个10 s测试视频中,跟踪准确率为90%,平均输出速率为24 fps。

基于目标检测与跟踪组合模式的智能枪瞄技术研究

针对智能化枪瞄系统中存在的检测图像序列角度变化较大、遮挡较为严重的问题,结合深度学习目标检测模型Single Shot MultiBox Detector(SSD)和核相关滤波器(KCF),提出一种新的自动检测-跟踪-检测(DTD)模式,利用SSD快速精确地对目标进行检测,将检测到的坐标信息输入到KCF跟踪模型中进行稳定跟踪,利用一组固定维数动态峰值的均值和标准差对每帧的响应峰值进行检测,如果发现异常峰值,则判定目标丢失或即将丢失,使用SSD重新检测,同时设定目标重检测时间阈值,在跟踪器运行时间大于此阈值时,同样进行重新检测。试验表明,该方法较之前单一的目标检测或跟踪方法具有更高的检测精度和较快的速率。