[發明專利]基于卷積神經網絡的遙感圖像飛機目標識別方法

在審

• 申請號: 201710526744.0
• 申請日: 2017-06-30
• 公開（公告）號: CN107330405A
• 公開（公告）日: 2017-11-07
• 發明（設計）人: 劉坤;晁安娜;任蕾
• 申請（專利權）人: 上海海事大學
• 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所(普通合伙)31249
• 代理人: 周乃鑫

技術領域

本發明涉及一種遙感圖像飛機目標識別方法，具體是指一種基于卷積神經網絡的遙感圖像飛機目標識別方法，屬于深度學習技術領域。

背景技術

遙感圖像的飛機識別技術，在民用和軍事領域上都具有重大意義。現如今，隨著數據量和目標相似性的增加，以及采集到的遙感飛機圖像存在大量干擾，如遮擋、噪聲、視角變化、復雜背景等因素；因此，如何在復雜環境中精準的識別出各飛機的類型并減少計算的復雜度，成為計算機視覺的研究重點與熱點。

傳統的飛機目標識別通常采用模板匹配算法，其具有算法簡單、計算量小的特點。但由于計算過程簡單，提取圖像中飛機的完整形狀在現實環境中非常困難，且不能適用于飛機目標的尺度變換。

目前，在飛機目標識別領域內應用最廣泛的方法是利用不變矩，具有代表性的不變量特征提取方法有Hu矩、Zernike距、小波距等。現主要采用優化組合矩對飛機目標進行識別，將提取的多維不變矩作為識別特征，再使用支撐向量機(Support Vector Machine，SVM)或BP(Back Propagation，反向傳播)神經網絡來識別飛機目標。雖然該方法可以克服單一特征描述信息能力不強的特點，但多特征融合困難，抗噪性較差。另外，雖然BP神經網絡具有良好的學習能力和泛化能力，但由于學習速率固定，學習步長及動量因子難以確定，使得網絡收斂速度慢，糾錯能力有限，甚至導致算法收斂于局部極小值。

基于上述，現有的飛機目標識別方法都需先采用復雜的特征提取，再結合SVM或淺層神經網絡的方式。這些方法在面對大規模數據時實現非常困難，并且識別精度較低。因此，針對采集到的遙感飛機圖像的大數據量和復雜背景環境等問題，本發明提出一種基于卷積神經網絡的遙感圖像飛機目標識別方法。

發明內容

本發明的目的是提供一種基于卷積神經網絡的遙感圖像飛機目標識別方法，對旋轉、尺度縮放或者其他形變具有穩定性，針對采集到的遙感飛機圖像的大數據量和復雜背景環境等問題，增強算法的通用性，提高算法識別精度及抗噪性。

為實現上述目的，本發明提供一種基于卷積神經網絡的遙感圖像飛機目標識別方法，包含以下步驟：

S1、建立飛機圖像庫，由實驗飛機模型庫和實際遙感飛機模型庫構成，包括訓練圖像和測試圖像；

S2、初始化設置卷積神經網絡，并設置該卷積神經網絡的訓練過程；

S3、初始化設置卷積神經網絡中的參數；

S4、讀取訓練圖像數據，根據卷積神經網絡的訓練過程對訓練圖像數據進行卷積和池化的訓練操作，得到訓練圖像的實際輸出；

S5、調整卷積神經網絡的參數，使得訓練圖像數據的指定目標輸出和實際輸出之間的誤差值滿足精度要求，完成卷積神經網絡的訓練；

S6、讀取測試圖像，采用完成訓練的卷積神經網絡作為測試網絡，輸出遙感圖像飛機目標識別結果。

所述的S1中，實驗飛機模型庫中包含n類飛機機型的實驗飛機圖像，對該些實驗飛機圖像進行歸一化和二值化處理。

所述的S1中，實際遙感飛機模型庫中包含：在飛機墓場中的n類飛機機型的遙感飛機圖像，對該些遙感飛機圖像進行灰度化處理。

所述的S1中，對實際采集到的實驗飛機圖像和遙感飛機圖像進行預處理，包括：尺度縮放、旋轉、仿射變換、加噪聲、運動模糊和亮度變化、及任意位置遮擋，將預處理后的圖像劃分為測試圖像和訓練圖像。

所述的S2中，初始化設置卷積神經網絡的步驟具體為：卷積神經網絡設置5層網絡層，分別為2個卷積層、2個全連接層和1個Softmax分類層；并且，每個卷積層均包含池化層，池化窗口為2×2的最大池化。

所述的S2中，設置卷積神經網絡的訓練過程的步驟，具體包含：

S21、將訓練圖像輸入卷積神經網絡，使用卷積核對輸入圖像進行卷積，得到第一卷積層的特征圖；

S22、對第一卷積層的特征圖進行池化，經過池化窗口為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行池化，經過池化窗口為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、設置與第二全連接層連接的Softmax分類層，設置輸出神經元個數為n，對應n類飛機機型的分類結果。