[发明专利]一种基于混合神经网络模型的红外模糊目标识别方法

说明书

本发明公开了一种基于混合神经网络模型的红外模糊目标识别方法，步骤如下：将红外探测器获取运动模糊图像分解为获取红外图像和生成运动模糊两个环节，并对这两个过程的参数进行模板参数设计；将红外图像模板参数输入Unity3D，获取红外图像数据，将该数据与运动模糊参数输入到模糊生成算法，得到仿真红外模糊图像数据；获取目标灰度值，将红外模糊图像数据输出为红外辐射信号时间序列数据；将红外辐射序列数据集输入1D‑CNN+Bi‑LSTM混合神经网络模型，得到网络模型根据迭代次数的识别精度曲线与损失曲线。本发明有效避免了传统方法对运动模糊图像识别在精度上的较大局限性；本发明使用混合神经网络进行序列识别，能够大幅提升计算的速度与精度。

技术领域

本发明涉及红外目标识别和深度学习，特别是一种基于混合神经网络模型的红外模糊目标识别方法。

背景技术

在未来战场上，廉价的防空武器是应对敌方无人机、巡飞弹蜂群攻击、大量精确制导武器多波次饱和攻击的有效手段。相比于昂贵的防空导弹，低成本防空导弹体积小、价格低，可以大量装备以应对大规模空中威胁。红外成像导引抗干扰能力强，在大场景、杂波多的环境中具有很大优势，但体积大、成本高。全捷联红外精确制导系统具有瞬时视场大、视线角速率不受限制以及体积小、成本低等优点，但非制冷捷联红外焦平面探测器的热响应时间长，导弹在对目标进行跟踪时自身会产生高频率的运动，而捷联系统缺少稳定框架和速率陀螺稳定平台，成像系统的积分时间长，从而引起成像严重模糊发生拖影，造成目标位置定位不准确，因此低成本防空导弹急需突破非制冷捷联红外导引在平台晃动情况下的稳定截获和精确跟踪等技术瓶颈。

红外辐射信号通过直接获取目标在径向上的距离-强度信息，对目标的红外辐射信号时间序列进行建模处理实现对目标特征信息的获取并跟踪，其优势是获取红外辐射变化率无积分时间，不受成像系统的影响。但由于大视场场景红外辐射信号背景杂波复杂，目标难以区分，抗干扰能力弱，直接将其应用于导引系统也会导致目标定位不准确，因此红外辐射时序信号目前从未应用于导引系统。综上所述，在非制冷捷联红外导引系统中，利用红外辐射序列信号克服红外成像对于弹体抖动和机动产生的运动模糊等难题，对节约武器成本，应对大规模巡飞弹蜂群、无人机等军事目标的空中威胁具有重要的军事意义。

发明内容

发明目的：本发明的目的是提供一种基于混合神经网络模型的红外模糊目标识别方法，从而通过红外辐射强度的变化识别目标，实现在弹体抖动与较高速的相对运动的情况下对目标位置的精确定位。

技术方案：本发明所述的一种基于混合神经网络模型的红外模糊目标识别方法，包括以下步骤：

S1：将红外探测器获取运动模糊图像分解为获取红外图像和生成运动模糊两个环节，并对这两个过程的参数进行模板参数设计。

步骤S1中所述的模板参数设计包括不变参数设置和可变参数设置，不变参数包括摄像机投影模式、摄像机采样间隔、图像分辨率、模拟噪声的点光源灰度值、模拟噪声的点光源强度和模拟噪声的点光源范围，可变参数包括目标灰度值、背景灰度值、目标运动速度、运动模糊长度和运动模糊方向。

S2：将红外图像模板参数输入Unity3D，获取红外图像数据，将该数据与运动模糊参数输入到模糊生成算法，得到仿真红外模糊图像数据。

S2.1：根据红外探测器的采样间隔，利用Unity3D设定摄像机位置与目标位置、目标运动参数、目标及背景灰度值等参数，每隔一段时间对运动的目标进行仿真红外图像获取，生成若干清晰的仿真红外图像数据，每张图像为目标在运动中不同位置的清晰红外图像，包含目标位置坐标、摄像机相对角度、目标运动轨迹、目标运动速度、目标及背景灰度值。