[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)識別方法

在審

• 申請?zhí)枺?/td>: 201710526744.0
• 申請日: 2017-06-30
• 公開（公告）號: CN107330405A
• 公開（公告）日: 2017-11-07
• 發(fā)明（設(shè)計(jì)）人: 劉坤;晁安娜;任蕾
• 申請（專利權(quán)）人: 上海海事大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上海信好專利代理事務(wù)所(普通合伙)31249
• 代理人: 周乃鑫

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)識別方法，其特征在于，包含以下步驟：

S1、建立飛機(jī)圖像庫，由實(shí)驗(yàn)飛機(jī)模型庫和實(shí)際遙感飛機(jī)模型庫構(gòu)成，包括訓(xùn)練圖像和測試圖像；

S2、初始化設(shè)置卷積神經(jīng)網(wǎng)絡(luò)，并設(shè)置該卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程；

S3、初始化設(shè)置卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)；

S4、讀取訓(xùn)練圖像數(shù)據(jù)，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程對訓(xùn)練圖像數(shù)據(jù)進(jìn)行卷積和池化的訓(xùn)練操作，得到訓(xùn)練圖像的實(shí)際輸出；

S5、調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，使得訓(xùn)練圖像數(shù)據(jù)的指定目標(biāo)輸出和實(shí)際輸出之間的誤差值滿足精度要求，完成卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；

S6、讀取測試圖像，采用完成訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)作為測試網(wǎng)絡(luò)，輸出遙感圖像飛機(jī)目標(biāo)識別結(jié)果。

2.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)識別方法，其特征在于，所述的S1中，實(shí)驗(yàn)飛機(jī)模型庫中包含n類飛機(jī)機(jī)型的實(shí)驗(yàn)飛機(jī)圖像，對該些實(shí)驗(yàn)飛機(jī)圖像進(jìn)行歸一化和二值化處理；實(shí)際遙感飛機(jī)模型庫中包含：在飛機(jī)墓場中的n類飛機(jī)機(jī)型的遙感飛機(jī)圖像，對該些遙感飛機(jī)圖像進(jìn)行灰度化處理。

3.如權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)識別方法，其特征在于，所述的S1中，對實(shí)際采集到的實(shí)驗(yàn)飛機(jī)圖像和遙感飛機(jī)圖像進(jìn)行預(yù)處理，包括：尺度縮放、旋轉(zhuǎn)、仿射變換、加噪聲、運(yùn)動模糊和亮度變化、及任意位置遮擋，將預(yù)處理后的圖像劃分為測試圖像和訓(xùn)練圖像。

4.如權(quán)利要求3所述的基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)識別方法，其特征在于，所述的S2中，初始化設(shè)置卷積神經(jīng)網(wǎng)絡(luò)的步驟具體為：卷積神經(jīng)網(wǎng)絡(luò)設(shè)置5層網(wǎng)絡(luò)層，分別為2個(gè)卷積層、2個(gè)全連接層和1個(gè)Softmax分類層；并且，每個(gè)卷積層均包含池化層，池化窗口為2×2的最大池化。

5.如權(quán)利要求4所述的基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)識別方法，其特征在于，所述的S2中，設(shè)置卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程的步驟，具體包含：

S21、將訓(xùn)練圖像輸入卷積神經(jīng)網(wǎng)絡(luò)，使用卷積核對輸入圖像進(jìn)行卷積，得到第一卷積層的特征圖；

S22、對第一卷積層的特征圖進(jìn)行池化，經(jīng)過池化窗口為2×2的最大池化，得到第一池化層的特征圖；

S23、使用卷積核對第一池化層的特征圖進(jìn)行卷積，得到第二卷積層的特征圖

S24、對第二卷積層的特征圖進(jìn)行池化，經(jīng)過池化窗口為2×2的最大池化，得到第二池化層的特征圖；

S25、設(shè)置與第二池化層連接的第一全連接層，以及與第一全連接層連接的第二全連接層；

S26、設(shè)置與第二全連接層連接的Softmax分類層，設(shè)置輸出神經(jīng)元個(gè)數(shù)為n，對應(yīng)n類飛機(jī)機(jī)型的分類結(jié)果。

6.如權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)識別方法，其特征在于，所述的S3中，初始化設(shè)置卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)的步驟具體為：在由訓(xùn)練圖像構(gòu)成的訓(xùn)練集中，設(shè)置各個(gè)模式下輸入單元i到隱藏單元j的權(quán)值V_ij；設(shè)置隱藏單元j到輸出單元k的權(quán)值W_jk；設(shè)置輸出單元k的閾值θ_k；設(shè)置隱藏單元j的閾值設(shè)置精度控制參數(shù)ε；設(shè)置學(xué)習(xí)率α；設(shè)置每使用batchsize個(gè)訓(xùn)練樣本就調(diào)整一次權(quán)值；設(shè)置迭代周期epoch。