基于深度学习的军事图像识别与目标检测

本文概述了深度学习技术的基础知识和理论背景,详细介绍了军事图像识别技术,并深入研究了深度学习在军事应用中所面临的挑战,进而探讨了基于深度学习的军事图像识别与目标检测方法。结果表明,深度学习在提升军事图像识别效率和准确性方面具有显著效果,但在实际应用中仍存在一些挑战,如数据集的构建和标注、模型的训练和优化等。通过深入研究和解决这些问题,深度学习在军事图像识别领域的应用前景广阔。

军事图像加密通信中数据隐藏算法研究与仿真

在对军事通信图像加密通信中的数据进行隐藏的过程中,数据融入方式是通过依据某种规律曲线的顺序扫描待隐藏数据的单元来实现的,导致传统的融合军事图像加密通信中数据隐藏算法,由于检测工具有规律可循,不容易逃脱检测,无法对军事图像数据进行有效的隐藏。提出一种采用随机融入方式的可逆数据隐藏算法,直接提取军事图像边缘特征,充分挖掘军事图像视觉屏蔽特性,通过军事图像分块方差对其边缘特性进行刻画,确保军事图像边缘的完整度,构建军事图像采样子图与参照子图间的军事差图,通过数据隐藏的提取方法,将隐藏军事图像差图数据合成相应的数据隐藏码流,完成所有军事差图的置乱操作,将置乱后的军事差图中的隐藏数据按照数据隐藏的正确率进行度量,实现军事图像加密通信中的数据隐藏。仿真结果表明,采用所提方法对军事图像加密通信中的数据进行隐藏的效果与隐藏容量均优于传统方法,验证了所提方法的有效性。

基于卷积神经网络的军事图像分类

由于军事背景下战场上不同目标的相似度极高以及复杂情况下的分类识别率不高,传统视觉特征的分类精度已不能满足要求。针对含有特定军事目标的大规模图像分类问题,构造了一种新的基于主成分分析(principal components analysis,PCA)白化的卷积神经网络结构,有效地降低了数据间的相关性,加强了学习能力,提高了目标分类的准确率。利用大规模的军事图像数据集对该模型进行了识别精度评估,实验表明,与基于视觉特征的词袋模型以及经典的卷积神经网络分类算法相比,该算法对于军事目标的分类精度有明显提高。

对抗通信中的军事图像加密与隐藏传输系统设计

设计并实现了一种基于多种图像混合加密的军事图像传输系统.仿真实验以及与传统加密系统的对比说明该设计系统提高了军事图像传输的安全性与军事信息的隐蔽性,且传输效率高,有一定的实际应用价值.

基于傅里叶描述子和加权稀疏表示的军事图像分类方法

军事图像分类是一个重要的研究方向。在傅里叶描述子和加权稀疏表示的基础上,提出一种军事图像分类方法。利用Canny算法提取军事图像的轮廓特征,计算轮廓点的中心距离序列;再将该序列转换为极坐标转换,进行傅里叶变换,得到军事图像的改进傅里叶描述子;利用加权稀疏表示分类方法对图像进行分类。该方法的优点在于提取的傅里叶描述子具有很好的平移、旋转、尺度缩放和轮廓起始点的不变性。加权稀疏表示能够克服遮挡、弱特征、视角和姿态变化等因素的影响,并且具有较强的形状区分能力。在ICL军事图像数据库上进行分类实验,分类率高达92%以上。结果表明,该方法是有效可行的,能够为军事图像自动分类识别系统提供技术参考。

基于虹膜特征密钥的军事图像加密技术

对军事图像进行加密是确保军事图像安全常用的方法,但加密算法中的长密钥存在记忆困难、不易保管等问题。针对以上问题,文章提出一种基于虹膜特征密钥与AES结合的军事图像加密算法。在虹膜图像预处理基础上,应用2D Haar小波对虹膜有效区域进行三层分解,提取第三层细节系数并编码生成375位的虹膜特征码;从虹膜特征码中随机选取128位密钥,采用AES算法对军事信息进行加密。实验结果表明,达到了保护军事图像的目的,且AES算法与生物特征的结合提高了加密算法的安全性。

基于自动搜索神经网络技术的军事图像分类

近年来神经网络在图像分类上取得了成绩,然而军事图像具有数据量少、图像清晰度不高、军事目标与环境相似度较高等特点,导致传统的人工神经网络在军事图像数据集处理方面表现不佳,因此急需提高神经网络在军事图像分类方面的性能。结合自动搜索神经网络技术,提出了一种基于自动搜索神经网络技术的军事图像分类方法,并采用强化学习算法、参数共享和推进式搜索策略等思想,设计了神经网络结构搜索算法。试验结果表明,该方法在提高军事图像分类性能方面具有有效性和准确性。

基于双倍比特量化与分段哈希索引的军事图像过滤

二进制码占用存储空间少且易于进行距离度量,因此很多研究者提出二进制量化方法把浮点型特征量化为二进制码,以实现大规模数据环境下的快速最近邻查询。但是,二进制量化会损失原始特征的信息量,使原始特征之间的相似性不能完全保持,导致查询精度降低。针对这一问题,提出双倍比特量化与分段哈希的近似查询索引。首先,设计了一种双倍比特量化方法,通过把特征的每一维数据量化为2个比特二进制码,增加特征之间的区分性;然后,针对双倍比特量化的二进制码提出双倍比特分段哈希索引,通过对二进制码分段并建立哈希索引的方式,提高查询速度。据此,设计了基于双倍比特量化与分段哈希索引的大规模军事图像过滤系统。实验表明,相比于Faster R-CNN+CNNH+MIH系统,本文方法可以使军事图像过滤精度提升5.4%。

基于Rossler超混沌系统的军事图像加密算法研究

对军事图像加密是确保其安全传输常用的方法。和一般图像相比,军事图像信息加密传输具有更高的安全保密要求。利用Rossler超混沌系统,提出基于位平面变换的混沌图像加密算法。该算法根据Rossler超混沌系统产生的混沌随机序列置乱明文图像,并对置乱图像进行位平面变换和按位异或操作,最后对像素值进行相应的扩散。理论分析和仿真实验结果表明,该算法加密效率高,能够较好地隐藏明文的统计特性,同时有效地防止选择密文攻击、统计及差分分析等攻击,可满足军事图像加密传输过程中高安全性的要求。

多战场环境军事人员图像分割技术应用研究

目的:针对多战场环境中军事人员目标较小以及军事人员与环境背景难以区分导致分割效果较差的问题,提出一种分割神经网络。方法:以U-Net为主干神经网络,基于空洞空间金字塔池化模块和双特征交叉融合模块提出编码-解码神经网络ASPP-DFCF-U-Net(以下简称“AD-U-Net”)。将多环境迷彩分割数据集(Multi Environment Camouflage Dataset,MECD)按比例分为训练集、验证集和测试集并进行数据增强,在MECD上对AD-U-Net进行训练并测试。为验证AD-U-Net的有效性,采用平均交并比、召回率、精确度、F1分数指标将AD-U-Net与U-Net、SegNet、FCN-8s 3种神经网络的分割结果进行对比分析。结果:AD-U-Net的平均交并比、召回率、精确度、F1分数分别为83.04%、89.58%、91.49%和90.52%,均高于U-Net、SegNet和FCN-8s,在目标较小、分割目标与背景高度相似的情况下具有更好的分割效果。结论:AD-U-Net在MECD上具有优良的分割效果,将其应用于搜救装备中进行人员搜救可大大提高军事人员的分割准确率,提高搜救效率。

高光谱成像仪寻求军事用途

通过探测空间和光谱两方面的含量，高光谱成像仪已在地球资源管理、军事侦察以及医学诊断方面发现了广泛的用途。在军事图像处理系统中，对瞬时事件及移动目标的监视需要有对整个感兴趣区域进行连续数据采集的能力。