卷積神經網絡在航空視覺任務中的應用研究

楊平

（中國民用航空飛行學院綿陽分院，四川 綿陽 621000）

如何對圖像中蘊含的大量信息進行準確、有效的理解、挖掘以及表達，一直是航空領域研究人員關注的焦點。只有準確的提取特征，并以此為基礎對特定對象和其它對象進行有效的區分，才能夠有效提升視覺任務的完成質量。而卷積神經網絡的誕生，則在計算機視覺方面發揮著突出的優勢，可以直接通過多層卷積和池化結構來對圖像中的深層語義信息進行有效的挖掘，并將一些具有灰度、梯度以及紋理等低級特征的語義層級進行提取、轉化，使之成為具有局部或者全局區域描述的高級特征抽象。這樣一來，即便是處于異常復雜的場景下，計算機對圖像的理解能力也可以得到顯著提升。基于這一特點，卷積神經網絡在航空視覺任務中的應用主要體現在以下幾方面。

一、深度學習的優勢

在航空視覺任務中，傳統的圖像識別環節中，最核心的就是特征提取和分類判別。傳統的以支持向量機為基礎的艦船目標檢測識別方式的應用，主要存在著以下五方面的不足：第一人工特征描述子主要是對低級特征進行表達，例如顏色特征、梯度特征以及紋理特征等，而無法對圖像中的高層予以信息進行捕捉，無法將信息與上下文進行關聯；第二人工特征的普適性非常低，一種特征描述子只能針對某一種特定目標；第三需要先經過大量的人工介入試驗，才能夠進行特征選取和參數優化，所以工作人員需要掌握專業、系統而充足的計算機視覺專業知識；第四經典分類器缺乏較高的非線性單元層級，不具有較高的判別能力與擬合能力；第五分類器對特征描述子的適配要求較高，只有二者搭配合理，才能夠獲得預期的效果。

與之相比，面向分類識別任務的過程中，卷積神經網絡等深度學習則無需通過人工提取特征，無需選取適配分類器，只需要進行多層非線性網絡的有效構建，就可以對圖像內容的低級特征描述轉化成高層語義抽象。并且，在確定了具體的網絡結構之后，就不需要再對“如何提煉目標特性”“如何選擇適配分類器”等問題予以過多的關注。

二、目標搜索與精確打擊

要想保證飛機平臺的視覺目標搜索與精確打擊效果，就必須要重視基于圖像的自動目標檢測識別技術的有效應用。只有對基于圖像的自動目標檢測識別技術進行有效的應用，才能夠為武裝直升機、無人機的對地作戰任務的順利完成提供保證，為部分轟炸機與戰斗機平臺的對地任務與對海任務的有效完成提供保證。而且，與傳統的雷達探測技術相比，這種技術的應用還可以通過光電圖像來自動檢測并識別場景目標，精確細分地方目標類別，防止因為雷達主動探測而遭受更大的安全威脅。但是，現階段圖像目標檢測識別技術在飛機平臺中的應用還面臨著很多阻礙。尤其是飛機平臺面對的地面戰場背景具有一定的復雜性，再加上目標類別、角度、形態以及涂裝的多樣性，這種目標檢測識別算法所能發揮的作用十分有限，無法在復雜多變的戰場中進行靈活的識別與分類。

與之相比，卷積神經網絡的應用則在解決這些問題方面，提出了一種全新的思路。只要訓練樣本充足，就可以在不受復雜背景與多樣目標的影響，通過預先構建深層非線性網絡的方式來實現抽象轉化，實現檢測識別正確率的顯著提升，實現目標位置的準確回歸，從而最大限度的滿足飛機平臺對地場景與對海場景的目標搜索與精準打擊任務的完成需求。

三、運動目標追蹤

一般情況下，以視覺序列為基礎的運動目標追蹤在無人機平臺對地探測監視以及對海探測監視任務中有著極為廣泛的應用，涉及到軍用作戰、警用反恐等多個領域。而以視覺序列為基礎的運動目標追蹤的實現，依賴于圖像目標跟蹤技術的應用。與目標檢測識別技術只關注場景中有效目標的挖掘與分類方面相比，圖像目標跟蹤技術更加注重運動序列場景中指定目標的實時捕捉。如果使用傳統的圖形目標跟蹤技術，其跟蹤算法需要對目標或者場景的外觀模型、目標運動模型以及模本更新策略等進行充分的考慮，但是其跟蹤過程卻容易受到光照、雜波、尺度、目標形變、探測器運動等多種因素的干擾。

而以深度學習為基礎的目標跟蹤方法，其跟蹤算法的應用可以最大限度的保證跟蹤精度。其針對跟蹤問題的解決思路主要體現在以下兩方面。第一，保持傳統跟蹤算法框架不變，通過深度網絡對目標區域的特征進行有效提取，并對跟蹤算法的準確性進行提升；第二，保持傳統目標跟蹤算法框架不變，直接圍繞目標跟蹤問題來進行深度網絡結構的設計，確保跟蹤效果。所以將多種變結構的卷積神經網絡應用到跟蹤領域中，能夠獲得的效果十分理想。相信在不遠的未來，基于深度學習的目標跟蹤方法，將會得到更加廣泛的應用，并確保即便是處于復雜的作戰場景下，飛機平臺也可以可靠、準確的完成目標追蹤任務。

四、結語

綜上所述，卷積神經網絡在航空視覺任務中有著非常廣泛的應用和良好的發展前景。所以，我們要進一步加強卷積神經網絡的研究，加強航空視覺任務的分析。只有這樣，才能夠不斷的提升卷積神經網絡的應用水平，使其在航空視覺任務的完成中發揮更大的作用。