卷积神经网络在航空视觉任务中的应用研究

杨平

（中国民用航空飞行学院绵阳分院，四川 绵阳 621000）

如何对图像中蕴含的大量信息进行准确、有效的理解、挖掘以及表达，一直是航空领域研究人员关注的焦点。只有准确的提取特征，并以此为基础对特定对象和其它对象进行有效的区分，才能够有效提升视觉任务的完成质量。而卷积神经网络的诞生，则在计算机视觉方面发挥着突出的优势，可以直接通过多层卷积和池化结构来对图像中的深层语义信息进行有效的挖掘，并将一些具有灰度、梯度以及纹理等低级特征的语义层级进行提取、转化，使之成为具有局部或者全局区域描述的高级特征抽象。这样一来，即便是处于异常复杂的场景下，计算机对图像的理解能力也可以得到显著提升。基于这一特点，卷积神经网络在航空视觉任务中的应用主要体现在以下几方面。

一、深度学习的优势

在航空视觉任务中，传统的图像识别环节中，最核心的就是特征提取和分类判别。传统的以支持向量机为基础的舰船目标检测识别方式的应用，主要存在着以下五方面的不足：第一人工特征描述子主要是对低级特征进行表达，例如颜色特征、梯度特征以及纹理特征等，而无法对图像中的高层予以信息进行捕捉，无法将信息与上下文进行关联；第二人工特征的普适性非常低，一种特征描述子只能针对某一种特定目标；第三需要先经过大量的人工介入试验，才能够进行特征选取和参数优化，所以工作人员需要掌握专业、系统而充足的计算机视觉专业知识；第四经典分类器缺乏较高的非线性单元层级，不具有较高的判别能力与拟合能力；第五分类器对特征描述子的适配要求较高，只有二者搭配合理，才能够获得预期的效果。

与之相比，面向分类识别任务的过程中，卷积神经网络等深度学习则无需通过人工提取特征，无需选取适配分类器，只需要进行多层非线性网络的有效构建，就可以对图像内容的低级特征描述转化成高层语义抽象。并且，在确定了具体的网络结构之后，就不需要再对“如何提炼目标特性”“如何选择适配分类器”等问题予以过多的关注。

二、目标搜索与精确打击

要想保证飞机平台的视觉目标搜索与精确打击效果，就必须要重视基于图像的自动目标检测识别技术的有效应用。只有对基于图像的自动目标检测识别技术进行有效的应用，才能够为武装直升机、无人机的对地作战任务的顺利完成提供保证，为部分轰炸机与战斗机平台的对地任务与对海任务的有效完成提供保证。而且，与传统的雷达探测技术相比，这种技术的应用还可以通过光电图像来自动检测并识别场景目标，精确细分地方目标类别，防止因为雷达主动探测而遭受更大的安全威胁。但是，现阶段图像目标检测识别技术在飞机平台中的应用还面临着很多阻碍。尤其是飞机平台面对的地面战场背景具有一定的复杂性，再加上目标类别、角度、形态以及涂装的多样性，这种目标检测识别算法所能发挥的作用十分有限，无法在复杂多变的战场中进行灵活的识别与分类。

与之相比，卷积神经网络的应用则在解决这些问题方面，提出了一种全新的思路。只要训练样本充足，就可以在不受复杂背景与多样目标的影响，通过预先构建深层非线性网络的方式来实现抽象转化，实现检测识别正确率的显著提升，实现目标位置的准确回归，从而最大限度的满足飞机平台对地场景与对海场景的目标搜索与精准打击任务的完成需求。

三、运动目标追踪

一般情况下，以视觉序列为基础的运动目标追踪在无人机平台对地探测监视以及对海探测监视任务中有着极为广泛的应用，涉及到军用作战、警用反恐等多个领域。而以视觉序列为基础的运动目标追踪的实现，依赖于图像目标跟踪技术的应用。与目标检测识别技术只关注场景中有效目标的挖掘与分类方面相比，图像目标跟踪技术更加注重运动序列场景中指定目标的实时捕捉。如果使用传统的图形目标跟踪技术，其跟踪算法需要对目标或者场景的外观模型、目标运动模型以及模本更新策略等进行充分的考虑，但是其跟踪过程却容易受到光照、杂波、尺度、目标形变、探测器运动等多种因素的干扰。

而以深度学习为基础的目标跟踪方法，其跟踪算法的应用可以最大限度的保证跟踪精度。其针对跟踪问题的解决思路主要体现在以下两方面。第一，保持传统跟踪算法框架不变，通过深度网络对目标区域的特征进行有效提取，并对跟踪算法的准确性进行提升；第二，保持传统目标跟踪算法框架不变，直接围绕目标跟踪问题来进行深度网络结构的设计，确保跟踪效果。所以将多种变结构的卷积神经网络应用到跟踪领域中，能够获得的效果十分理想。相信在不远的未来，基于深度学习的目标跟踪方法，将会得到更加广泛的应用，并确保即便是处于复杂的作战场景下，飞机平台也可以可靠、准确的完成目标追踪任务。

四、结语

综上所述，卷积神经网络在航空视觉任务中有着非常广泛的应用和良好的发展前景。所以，我们要进一步加强卷积神经网络的研究，加强航空视觉任务的分析。只有这样，才能够不断的提升卷积神经网络的应用水平，使其在航空视觉任务的完成中发挥更大的作用。