14.6.2  目标识别结果分析与对比

14.6.2 目标识别结果分析与对比

识别模型的识别能力是目标识别系统最为重要的部分。我们将通过实验对识别模型进行验证。

本章使用反向传播（Back Propagation，BP）神经网络算法与FSVM算法进行识别精度比对。本次实验共有四类训练目标，包括汽车、坦克、战斗机以及人物。对每类目标分别进行了可见光和红外图像的提取，每类目标按照垂直方向（90°每隔10°）和水平方向（360°每隔10°）进行样本拍摄，每个模型共提取324张图片，每张图片计算出目标特征值存于数据库中。每类目标取数据集约80%数据用作训练数据，剩余约20%数据用作测试数据。实验对比结果见表14-1。

图14-26 “目标识别”按钮响应流程

图14-27 识别结果显示图

表14-1 BP神经网络算法与FSVM算法识别结果比较

通过对比可以看出FSVM算法相较于BP神经网络算法具有更高的识别率，识别精度良好。其中FSVM识别模型经过训练样本训练之后的识别能力测试图如图14-28和图14-29所示。

图14-28 识别模型对红外图像识别测试结果图

图14-29 识别模型对可见光图像识别测试结果图

图中主要记录了识别模型的重要参数数值，以及正确识别率等高线的绘制。由图14-29可以看出，训练后的识别模型对于红外图像中目标的正确识别率最高可以达到86%，对于可见光图像的最大正确识别率更是高达93.5%。本次试验结果表明，基于FSVM的目标识别系统识别速度与识别精度令人满意。系统运行稳定，操作简单，可用性较高。