[發(fā)明專利]基于小波卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)著陸地貌分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711032448.1
• 申請(qǐng)日: 2017-10-29
• 公開（公告）號(hào): CN107766828A
• 公開（公告）日: 2018-03-06
• 發(fā)明（設(shè)計(jì)）人: 劉芳;王鑫;路麗霞;黃光偉;王洪娟;吳志威
• 申請(qǐng)（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司11203
• 代理人: 沈波

1.基于小波卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)著陸地貌分類方法，其特征在于：該方法包括以下步驟，

S1：獲取無人機(jī)著陸地貌的訓(xùn)練圖像集和測(cè)試圖像集；

S2：構(gòu)建小波卷積神經(jīng)網(wǎng)絡(luò)，輸入無人機(jī)著陸地貌的訓(xùn)練圖像集，對(duì)小波卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到滿足訓(xùn)練條件；

S3：將無人機(jī)著陸地貌的測(cè)試圖像集輸入到訓(xùn)練好的小波卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行逐層學(xué)習(xí)，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(jī)著陸地貌的樣本圖像的紋理特征，獲得訓(xùn)練樣本和測(cè)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(jī)著陸地貌的訓(xùn)練圖像特征集作為訓(xùn)練樣本對(duì)支持向量機(jī)(SVM)分類器進(jìn)行訓(xùn)練，并采用粒子群算法(PSO)對(duì)支持向量機(jī)進(jìn)行優(yōu)化，選擇出支持向量機(jī)的最優(yōu)參數(shù)，獲得一個(gè)最優(yōu)的SVM分類器；

S6：將得到的待分類圖像特征集輸入到優(yōu)化后的支持向量機(jī)，進(jìn)行圖像分類。

2.根據(jù)權(quán)利要求1所述的基于小波卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)著陸地貌分類方法，其特征在于：

無人機(jī)飛行環(huán)境比較復(fù)雜，拍攝到的圖像也是各種地物相互交錯(cuò)，很難得到只含單一地貌的航拍圖像，為獲得符合條件的訓(xùn)練測(cè)試樣本，需對(duì)無人機(jī)拍攝的原始圖像進(jìn)行分割處理，從而獲得只含有單一地貌的無人機(jī)航拍圖像庫(kù)，不應(yīng)在各類地物的混交地區(qū)和類別的邊緣選取，以保證數(shù)據(jù)具有典型性，從而能進(jìn)行準(zhǔn)確的分類；

選取無人機(jī)飛行環(huán)境拍攝到的圖像為沙地、草地、土地、森林、水面和公路這6類無人機(jī)航拍圖像；采用上述6類經(jīng)過裁剪后的無人機(jī)航拍圖像進(jìn)行實(shí)施，具體實(shí)施步驟如下：

S1：獲取待分類的無人機(jī)航拍圖像，對(duì)無人機(jī)拍攝的原始圖像進(jìn)行分割處理，從而獲得只含有單一地貌的無人機(jī)航拍圖像，選擇其中每類地貌圖像50幅作為訓(xùn)練樣本集，其余圖像作為測(cè)試樣本；

S2：構(gòu)建小波卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)，輸入訓(xùn)練圖像集，對(duì)小波卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到滿足訓(xùn)練條件；

小波卷積神經(jīng)網(wǎng)絡(luò)首先要進(jìn)行網(wǎng)絡(luò)訓(xùn)練，具體訓(xùn)練過程如下：

1)設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)，調(diào)整網(wǎng)絡(luò)輸入層、隱含層和輸出層參數(shù)；

2)使用測(cè)試樣本集圖像訓(xùn)練網(wǎng)絡(luò)，采用無監(jiān)督的逐層貪婪訓(xùn)練方法，一旦底層訓(xùn)練完成后便將其權(quán)值固定，并使用其輸出作為下一層輸入，直至整個(gè)網(wǎng)絡(luò)訓(xùn)練完成；

S3：將測(cè)試圖像集輸入到訓(xùn)練好的小波卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行逐層學(xué)習(xí)，每層隱含層提取到一個(gè)特征集信息；并使用特征權(quán)值的方法對(duì)每個(gè)特征集分配一個(gè)特征權(quán)值，最后將每層隱含層獲得的特征集和對(duì)應(yīng)的權(quán)值結(jié)合成一個(gè)新的待分類圖像特征集；

S4：采用基于灰度共生矩陣的特征提取算法，提取出樣本圖像的紋理特征，獲得訓(xùn)練樣本和測(cè)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；具體步驟如下：

使用待分類無人機(jī)航拍圖像，采用基于灰度共生矩陣的特征提取算法，提取出樣本圖像的紋理特征，表1為六幅實(shí)例圖像提取后的紋理特征向量；

表1 無人機(jī)航拍圖像的紋理特征值

將得到的紋理特征與待分類特征集組合成綜合特征向量集；

S5：將訓(xùn)練圖像特征集作為訓(xùn)練樣本對(duì)支持向量機(jī)(SVM)分類器進(jìn)行訓(xùn)練，并采用粒子群算法(PSO)對(duì)支持向量機(jī)進(jìn)行優(yōu)化，選擇出支持向量機(jī)的最優(yōu)參數(shù)，獲得一個(gè)最優(yōu)得SVM分類器；具體方法如下：

在實(shí)際應(yīng)用中，每一個(gè)粒子代表一個(gè)待求量的可能解，每個(gè)粒子通過以下規(guī)則實(shí)現(xiàn)尋優(yōu)：

vi,jk+1=wvi,jk+c1r1,i(pi,j-xi,jk)+c2r2,i(pg,j-xi,jk)xi,jk+1=xi,jk+vi,jk+1]]>

其中，為第i個(gè)粒子第j維當(dāng)前前進(jìn)的速度，為第i個(gè)粒子第j維粒子的當(dāng)前位置，p_i,j,p_g,j分別表示粒子的個(gè)體最優(yōu)位置和全局最優(yōu)位置，r_1,i和r_2,i為隨機(jī)常數(shù)，c₁為個(gè)體最優(yōu)位置的學(xué)習(xí)因子，c₂為全局最優(yōu)位置的學(xué)習(xí)因子，w為慣性權(quán)重；

將粒子群優(yōu)化方法用于SVM的訓(xùn)練時(shí)，其目的在于求得最佳的核函數(shù)、核函數(shù)參數(shù)以及錯(cuò)誤懲罰因子；那么這些粒子就認(rèn)為是待定的核函數(shù)、核函數(shù)參數(shù)以及錯(cuò)誤懲罰因子，而粒子的當(dāng)前位置就認(rèn)為是這些待定參數(shù)的當(dāng)前值；即：

x＝(h₀,h₁,r₀...r_n,c₀...c_m)

其中，h₀,h₁為SVM的核函數(shù)類型的二進(jìn)制編碼，總共有四種類型的核函數(shù)；核函數(shù)參數(shù)的編碼為n位，錯(cuò)誤懲罰因子的編碼為m位，都是在取值范圍內(nèi)的二進(jìn)制編碼；找到的最優(yōu)“位置”即為向量中的元素的最優(yōu)解，也就是SVM的核函數(shù)、核函數(shù)參數(shù)以及錯(cuò)誤懲罰因子；

S6：將得到的待分類圖像特征集輸入到優(yōu)化后的支持向量機(jī)，進(jìn)行圖像分類；本方法最終通過SVM分類器將待分類圖像進(jìn)行識(shí)別；

在輸入待測(cè)樣本圖像的紋理特征向量值之后，SVM分類器會(huì)得到一個(gè)輸出結(jié)果，判斷輸出結(jié)果屬于哪一類圖像時(shí)，采用是歐氏距離判斷法，輸出向量和四個(gè)目標(biāo)向量哪一個(gè)距離最近就判定為哪一類，前提是距離需要達(dá)到一定精度，若任一距離都大于設(shè)定的精度值則判定為其他圖像。