[發明專利]基于改進的深度置信網絡的無人機著陸地貌分類方法

在審

• 申請號: 201710230576.0
• 申請日: 2017-04-09
• 公開（公告）號: CN107016371A
• 公開（公告）日: 2017-08-04
• 發明（設計）人: 劉芳;王鑫;路麗霞;黃光偉;王洪娟
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/46;G06K9/34
• 代理公司: 北京思海天達知識產權代理有限公司11203
• 代理人: 沈波

技術領域

本發明涉及一種無人機著陸地貌圖像分類方法，屬于模式識別與智能計算、圖像處理技術領域，特別涉及一種基于改進的深度置信網絡的無人機著陸地貌分類方法。

背景技術

近年來提出無人機可以應用于對危險環境的偵查，自然災害后救災物資的運輸等復雜的背景，由于這些背景下無人機著陸地點是完全未知的，對于未知區域著陸地貌的識別是無人機安全著陸的基礎，因此對無人機著陸的自然地貌分類成為了研究的重點。而深度學習思想的提出，為機器學習的帶來了新的研究領域。深度學習是建立、模擬人腦進行學習時的神經網絡，模擬人腦學習機制來處理數據。深度置信網絡是人工神經網絡的一種特殊學習模型，它的輸出是經過多個隱含層提取的，加入一定的限制條件，可以提取出圖像的深層特征。深度置信網絡通過提取圖像的本質特征，使得輸入的樣本經過多層提取后又通過權值分配盡可能的展現了圖像的本質特征，具有較好的特征提取能力，可以有效的提高圖像分類的準確率。支持向量機在解決非線性及高維分類問題時具有明顯優勢，在解決多分類的圖像方面有較好的分類效果。

現有的方法存在的不足：一方面，傳統的特征提取方法在特征提取時不易提取到完整、深層的本質特征，因此會丟失一部分特征信息，使得特征缺乏魯棒性，進而影響圖像分類的準確率；另一方面，支持向量機會受到參數、核函數等因素的影響，支持向量機性能的好壞會影響最終的地貌圖像分類準確率。

發明內容

本發明的目的旨在解決上述技術缺陷，用于提取地貌圖像深層次抽象特征，提高特征識別能力，提高分類器的分類性能，進而提高無人機著陸地貌圖像的分類準確率。

為達到上述目的，本發明提出一種基于改進的深度置信網絡的無人機著陸地貌分類方法，包括以下步驟：

S1：獲取無人機著陸地貌的訓練圖像集和測試圖像集；

S2：構建深度置信網絡，輸入無人機著陸地貌的訓練圖像集，對深度置信網絡進行訓練，直到滿足訓練條件；

S3：將無人機著陸地貌的測試圖像集輸入到訓練好的深度置信網絡中進行逐層學習，提取出一組圖像的待分類特征集

S4：采用基于灰度共生矩陣的特征提取算法，提取出無人機著陸地貌的樣本圖像的紋理特征，獲得訓練樣本和測試樣本的紋理特征向量，并將其與待分類特征集組合成綜合特征向量集；

S5：將無人機著陸地貌的訓練圖像特征集作為訓練樣本對支持向量機(SVM)分類器進行訓練，并采用粒子群算法(PSO)對支持向量機進行優化，選擇出支持向量機的最優參數，獲得一個最優的SVM分類器。

S6：將得到的待分類圖像特征集輸入到優化后的支持向量機，進行圖像分類。

有益效果

本發明是通過基于改進的深度置信網絡提取無人機著陸地貌的圖像的深層特征，本方法在特征提取方面，采用了多隱含層的深度置信網絡來進行特征學習，每經過一個隱含層都會得到一個特征表達。然后根據提出的特征權值結合法對每層隱含層得到的特征集分配一個特征權值，最后，每個特征集和相應的權值結合成一個新的待分類圖像特征集，新特征集具有完整、抽象的深層特征信息，具有較高的特征識別力。

針對支持向量機的分類性能易受到參數、核函數等因素的影響，采用粒子群算法優化支持向量機，粒子群算法能在較短時間內搜索到全局最優的點，即能達到支持向量機最優分類性能的參數。仿真實驗表明，本發明能自動地提取圖像深層抽象特征，提高了特征識別力，有效的提高了無人機著陸地貌圖像的分類準確率，具有良好的泛化能力和適用范圍。

附圖說明

本發明上述的和/或附加的方面和優點從下面結合附圖對實施例的描述中將變得明顯和容易理解，其中：

圖1為本發明實施例的基于改進的深度置信網絡的無人機著陸地貌分類方法的流程圖；

圖2為本發明一個實施例的粒子群優化支持向量機的流程圖。

具體實施方式

下面詳細描述本發明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，僅用于解釋本發明，而不能解釋為對本發明的限制。

如圖1所示，根據本發明基于改進的深度置信網絡的無人機著陸地貌分類方法，對幾類無人機航拍地貌圖像進行分類。