[發明專利]基于DCT-CNN模型的無人機著陸地貌圖像分類方法

有效

• 申請號: 201711028874.8
• 申請日: 2017-10-29
• 公開（公告）號: CN107748895B
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 劉芳;路麗霞;黃光偉;王洪娟;王鑫;吳志威
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 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

本發明公開了基于DCT?CNN模型的無人機著陸地貌圖像分類方法，包括以下步驟：獲取無人機著陸地貌圖像的訓練圖像集和測試圖像集；對無人機著陸地貌圖像DCT變換，并進行DCT系數的篩選；針對無人機著陸地貌圖像場景復雜、信息豐富的特點構建DCT?CNN網絡模型；將訓練集的DCT系數輸入到改進的DCT?CNN模型中訓練，并對網絡進行參數更新，直到損失函數收斂于一個較小的值，訓練結束；將訓練圖像特征集作為訓練樣本對SVM分類器進行訓練；輸入測試集，利用訓練好的模型對測試圖像進行逐層學習，最后將得到的特征向量輸入到訓練好的SVM分類器中進行分類，得到分類結果。本發明降低了數據冗余，使得訓練時間大幅度減少，有效的提高了無人機著陸地貌圖像的分類準確率。

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DCT-CNN模型的無人機著陸地貌圖像分類方法。

背景技術

隨著技術的進步，無人機(unmanned aerial vehicle，UAV)被廣泛的應用到軍事偵察、目標攻擊、地質勘探、自然災害監測、交通監控等領域。無人機飛行環境復雜多樣，因此快速有效的著陸地貌自動識別成了無人機實現自主導航和探索環境的先決條件，能為飛行任務提供安全保障。目前無人機圖像分類大多是針對自然場景的，很少有針對場景復雜、信息豐富的無人機著陸地貌圖像分類的算法，并且傳統的圖像分類方法分類率較低。通過視覺技術實現無人機著陸地貌的自動識別和分類，降低了無人機對外界信息的依賴性，能提高無人機著陸的自主性。

近年來，深度學習思想的提出，為機器學習的帶來了新的研究領域。卷積神經網絡(Convolution neural network，CNN)是通過卷積運算由淺層到深層的提取圖像不同層次的特征，從低層的模糊、簡單的特征到高層逐漸抽象、準確的特征，提取得到高級語義特征,與傳統圖像分類方法相比在圖像分類方面具有較高的準確率。

現有的方法存在的不足：一方面：無人機在未知區域著陸時，地貌上的障礙物與周圍環境差異一般不明顯，地貌圖像大多具有場景復雜、信息豐富的特點，因此需要多層的CNN模型對圖像進行逐層特征學習以及較準確的高層語義特征來表達；另一方面：CNN模型層數較多、結構復雜，在CNN模型訓練時，將較大維數的圖像直接輸入會使訓練模型的時間大幅度增加，訓練參數增加導致調參困難，訓練時間過長還會導致深層的特征不容易被學習，丟失大部分深層特征信息。

發明內容

本發明的目的旨在解決上述技術缺陷,提高無人機著陸地貌圖像的分類準確率。

為達到上述目的，本發明采用的技術方案為基于DCT-CNN模型的無人機著陸地貌圖像分類方法，該方法包括以下步驟：

S1：獲取無人機著陸地貌圖像，圖像分為訓練圖像集和測試圖像集；

S2：對無人機著陸地貌圖像DCT變換，并進行DCT系數的篩選，具體如下：

S2.1：首先對無人機著陸地貌圖像進行8×8分塊，對無人機著陸地貌進行分塊后形成子塊，對每個子塊分別進行DCT變換；

S2.2：DCT變換后得到8×8的系數矩陣，對DCT系數進行選擇，按照ZigZag掃描的方式保留矩陣左上角的10個低頻系數；

S2.3：對剩余的54個系數采用系數判別法進行系數選擇。提出的系數判別法是：首先求每一個子塊的平均值，并設定平均值為每塊的系數閾值，然后對每個子塊中剩余的54個系數進行選擇，如果系數小于設定的閾值則該系數置0，大于閾值則保留該系數；

S2.4：把每幅圖像篩選的DCT系數進行整合得到DCT系數矩陣；

S3：針對無人機著陸地貌圖像場景復雜、信息豐富的特點構建了一個14層用于無人機著陸地貌圖像分類的DCT-CNN網絡結構，包括一個輸入層、五個卷積層、三個池化層，四個ReLU層和一個輸出層，具體如下：