论文部分内容阅读
由于红外成像技术应用场合的特殊化和多样化,红外图像识别技术在近年来得到了发展和重视。基于神经网络的红外图像识别技术的提出和发展,使得红外图像识别技术在智能汽车、全天候监控、远程指挥、军事侦查等领域得到了更好的应用反馈。同时无人机技术的发展,促使红外图像识别与之相结合,形成新的遥感平台,并逐渐成为研究热点。无人飞机运动速度快、距离目标较远,因此遥感平台所拍摄的图片具有目标小、背景噪声大的特点。本文根据这一情况设计了利用深度学习方法识别红外图像的系统:首先,对以往采用传统神经网络进行红外图像识别的系统的工作机制进行研究,指出了传统神经网络在红外图像识别过程中的局限性。在此基础上提出了应用深度学习方法实现红外图像识别的方案,设计了6层卷积神经网络,采用小批量训练法训练卷积神经网络,获得红外图像识别的优化结构,并对卷积神经网络的硬件设计架构进行了研究。其次,对卷积神经网络的激励函数进行了改进设计,针对卷积神经网络卷积层ReLUs激励函数对模型表达能力不足,ReLUs族函数作为激励函数时容易导致神经元坏死,Softplus函数欠缺稀疏表达能力等问题,提出了一种新型非线性修正函数PRelus-Softplus作为神经元激励函数。在MNIST和CIFAR-10两个数据集上分别进行相关实验,结果证明改进后的激励函数显著提高了图像识别的收敛速度和识别准确率,并在红外图像库上进行实验,获得了较高的识别率和收敛速率。再次,通过对比几种激励函数的逼近方法,提出了一种将查表法和线性逼近法相结合的混合方法—表驱动查表法,并设计出计算精度高、实时性好、硬件资源占用少的PRelus-Softplus激励函数及其导数的逼近方案。最后,设计了适合无人机搭载的硬件平台,设计了卷积神经网络的FPGA计算架构,对FPGA的并行运算和多级流水线运算能力进行了深入开发,设计了二维卷积缓存结构从而使输入图片像素得到重复利用,获得较高的吞吐力并且降低了对片外存储带宽的要求。