前言

在常规弹药中，战斗部是杀伤的关键构成部分，也是对目标进行破坏、拥有极高杀伤力的关键模块，弹药通过对装甲车辆进行打击，随后在其防护层之后产生迅速前向飞散的无控装甲碎片与弹体破片的总称即为二次破片。

二次破片的飞行速度、破片大小以及破片散布密度和飞散角度情况是分析目标毁伤效能以及战斗部作战威力的重要参数，破片参数测试的研究方法有多，如传统的靶板法、铝箔靶法、梳状靶法，还有被采用较多的天幕靶法、光幕靶法、Ｘ射线阴影摄像法等，高速摄影法是一种新的破片参数测试方法。

由高速摄像机拍摄破片飞散的运动影像，可以获得多种破片参数，相较于其他方法有着重大优势。

基于卷积神经网络的序列破片图像检测改进算法研究

卷积神经网络的英文简称为ＣＮＮ，为典型的前馈神经网络，能够对多阵列数据，或者图像数据进行处理。卷积神经网络里最重要的是卷积层，它通常用于特征提取，卷积计算的过程如下：第一，线性操作。

用卷积操作来对原始输入图片进行处理，或者处理其它底层特征图及其相应的权值，特征提取器可以用被训练过的卷积核来代替，不一样的卷积核可以提取出图像中不一样的结构特征。

权值共享意味着同样的权值参数被同一个特征映射里全部的神经元使用。局部感知就是部分网络连接，和人类视觉神经系统相似，卷积神经网络对图像的认知过程是从局部到整体的。

输入图像的像素是１０００ｘ１０００，则共有１０６个隐层神经元，若使用的连接方式是全连接的话，权值参数的数量则会是１〇１２个。

如果直接把来自卷积层的特征输入到分类器里进行训练来得到最后的分类结果，这会使运算量过大，所以就要把特征图矩阵的维数降低一些，池化层就是用来实现这一功能的。池化过程类似于卷积过程，都是采用未带权参数的池化函数。

式中，用Ｍ７７（．）表示池化函数；＆表示第／层里第＿／个特征图对应的系数；Ｍ表示偏置项。最大池化（ｍａｘ ｐｏｏｌｉｎｇ）是把窗口矩阵元素的最大值当做这个矩阵池化后的值。

平均池化是把窗口矩阵元素的平均值当做这个矩阵池化后的值。随机池化是把窗口矩阵元素按照数值从大到小的顺序求其可能会当作池化结果的概率值，然后根据概率值再随机选择。

在卷积与池化层之后，就会出现数个或者一个全连接层，此时，神经元将会对上层神经元进行全部连接，同时卷积层给出值。

基于回归学习的目标图像检测算法因为不需要进行候选区域的提取，该算法优势主要体现在框架简洁，在ＧＴＸ２０８１Ｔｉ芯片中，每秒处理的帧数高达４５帧，最快可以为１５０帧，支持视频图像的检测；Ｗｅｉ Ｌｉｕ等学者提出了一种与ＹＯＬＯ相似的基于回归学习的ＳＳＤ （Ｓｉｎｇｌｅ Ｓｈｏｔ ＭｕｌｔｉＢｏｘ Ｄｅｔｅｃｔｏｒ）算法。

ＳＳＤ算法先是由深度神经网络来提取整张图片的深度特征；然后根据不同尺度的深度特征图来设计不同大小的特征抓取盒，以区域建议为基础的目标检测算法，目前主要是Ｒ－ＣＮＮ模型（Ｒｅｇｉｏｎ－ＣＮＮ）。

该模型相较于传统目标算法而言，其优势是借助于深度学习来获取深度特征，从而提升该模型的表达能力，此模型虽然对原先的Ｒ－ＣＮＮ模型有关冗于问题进行了一定的解决，同时还将目标检测特征提取、分类等集中到相同框架之下。

然而目标候选区提取步骤，对于Ｆａｓｔｅｒ Ｒ－ＣＮＮ算法而言，就是通过ＲＰＮ来对目标候选区域进行提取，其余部分内容和ＦａｓｔＲ－ＣＮＮ完全一样。

对于大小为的输入图像，经过归一化处理，生成大小为ＭｘｉＶ的图像，该图像作为ＦａｓｔｅｒＲ－ＣＮＮ的输入图像，针对ＦａｓｔＲ－ＣＮＮ里面的池化层以及卷积层展开处理以后进而产生特征图。

任何破片候选区可以利用ＲＯＩ池化层，折射到特征图对应位置之上，随后对后者对应区域中特征图进行提取，本文算法的研宄对象不仅限于二次破片，对破片杀伤战斗部同样适用。该战斗部是当前常见的种类，具体就是借助于高能炸药的爆炸。

当前，处于领先水平的目标检测网络，均借助区域建议算法来推测目标位置，即便当前ＦａｓｔＲ－ＣＮＮ等类型网络均可以显著提升运行效率，候选区域生成网络的实现机制是借助于卷积神经网络来对区域建议进行直接产生，具体就是通过滑动窗口实现。

在破片检测中，在相同成功训练的权值网络中对大、小破片都能准确辨识，如果平移图像里面目标，建议框同样会进行平移。这三种尺度对应的值依次为１２８２、２５６２、５１２２，而对应的比例则分别为（１：１）、（］：２）、（２：１），每个位置共有九个锚点框。

这三种尺度对应的值依次为１２８２、２５６２、５１２２，而对应的比例则分别为（１：１）、（］：２）、（２：１），每个位置共有九个锚点框。Ｆａｓｔｅｒ Ｒ－ＣＮＮ算法会从一张图片中找出非常多个是物体的矩形框，然后为每个矩形框做类别分类概率。

在具体训练之际，所输入的图像尺寸为８００ｘ６００，如果锚点框边界已经超过图像界限，那么锚点框就不会对训练带来差异性影响。

非极大值抑制：假设有６个矩形框，根据置信度做排序，从小到大属于破片的概率分别为 Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆ。ＲＯＩ池化就是对感兴趣区域展开Ｐｏｏｌｉｎｇ操作，其目的就是对特征映射的诸多感兴趣区域，借助于池化法得到固定的输出特征映射。

ＲＯＩ为＃维矩阵，此处的ＡＭ戈表的为Ｒ〇Ｉ数量，其纵坐标即为首列表示像素，并在特征图中所对应的索引，随后即为它在左、右下角坐标信息，特征映射尺寸为８ｘ８，某个ＲＯＩ通过黑色框加以表示。

它通过池化之后的大小转换成２ｘ２，即黑色框通过垂直与水平线分割之后得到的区域数量。ＲＯＩ池化层的作用是提取破片群特征，并通过降维来减少后续运算的复杂度。

破片边框预测的目的是找出定位更加准确的破片位置。对于小目标的检测，Ｆａｓｔｅｒ Ｒ－ＣＮＮ网络还是会出现遗漏目标和检测错误的现象，这主要是因为Ｆａｓｔｅｒ Ｒ－ＣＮＮ网络的非极大值抑制会丢失一些遮挡或重叠的破片目标

。如果检测框６，与Ｍ间有着非常直观重叠现象，则更有可能获得假阳性结果，相应得分衰减变化也会更显著。在ＮＭＳ算法中设计并加入了基于模转换的模型，此模型目的是为了引入一种衰减机制。

如果Ｍ和临近检测框６，之间存在较高重叠度情况下，算法中每一步的复杂度为〇（Ａ〇，图片中检测框数量则是，基于该改进算法就能得到相应的复杂度为〇（２），它和原ＮＭＳ算法基本一致。

基于尺度与旋转不变性的破片特征提取

在得到检测结果之后，由于破片较小、形状不规则，且分布较为密集，使得多个破片之间区分度不高，如果直接进行匹配效果会很差，因此本文引入破片特征提取。

在某个范围区间，物体不管尺寸怎样，都能够让人的视觉系统进行分辨。可是作为计算机想要实现这样的功能却很困难。针对多尺度的表述，传统方法运用的是图像金字塔模式，是在不同分辨率下获取的一组结果。

借助于图像的模糊程度来对人们的视网膜成像加以模拟，更好的展现出物体相较于人眼距离的不同。构建尺寸控制的目的便是检测不同尺寸条件的特征点，其中ＷＧ２特征点最佳，一般将其称作是图像二阶导数，简称为ＬＯＧ。

将邻近两个高斯空间图像进行相减，就可以获取ＤＯＧ响应图像，为了对其进行获取，就需要对高斯尺度空间进行构造，具体就是基于图像金字塔，该金字塔存在着多组，每组又涉及到多层，每层间尺度具有显著差异性，也就是使用的高斯参数是不同的。

为了寻找ＤＯＧ金字塔尺度空间的极值点，每个像素点要和其图像域相同大小的图像和尺度域相邻的尺度空间的所有相邻点进行比较，图像组别不同，对应的尺寸也有差异。每组图像的首层与最后层很难通过对比获取极值。因此，在每组图像中都可以运用该高斯模糊处理，构成三幅图像。

总结

通过人工智能方法，研宄破片图像检测与匹配问题。针对序列片破片图像检测、破片特征提取、帧间破片图像匹配三个问题进行深入研究与分析。

通过对算法作出改进，本文通过人工智能方法对破片图像处理进行了深入研究，对序列破片图像检测算法和帧间破片图像匹配算法进行改进，提升了算法性能。