[發明專利]民航客機個體目標識別方法

有效

• 申請號: 201810683112.X
• 申請日: 2018-06-28
• 公開（公告）號: CN108985454B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 徐雄;張希會;王成剛;賀文嬌;李思奇
• 申請（專利權）人: 西南電子技術研究所（中國電子科技集團公司第十研究所）
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/063;G06N3/04;G06K9/00
• 代理公司: 成飛(集團)公司專利中心 51121
• 代理人: 郭純武

本發明提出的一種民航客機個體目標識別方法,旨在提供一種識別率高的深度學習方法。本發明通過下述技術方案予以實現：以捕獲飛行器通信信號模塊、制備數據集模塊、構建神經網絡模塊、訓練神經網絡模塊和識別通信信號和識別通信信號所屬飛行器模塊組成卷積神經網絡識別系統，其中，捕獲飛行器通信信號模塊從飛行器原始脈沖波形本身出發，通過高速采集卡采樣，將ADS_B原始中頻信號保存到本地；制備數據集模塊將采集到的通信信號進行脈沖切片并繪制成圖像，把ADS_B通信信號的識別特征轉換為圖像空間結構特征；構建神經網絡模塊根據目標數量評估深度神卷積經網絡的層數；訓練神經網絡模塊基于卷積神經網絡算法生成圖像樣本進行訓練；得到識別出信號。

技術領域

本發明涉及一種將深度學習應用到通信信號識別領域的目標識別方法，具體涉及一種基于深度卷積神經網絡的民航客機個體目標識別方法。

背景技術

基于光學遙感圖像的飛機檢測一直是目標識別領域的研究熱點。機場與飛行器目標識別是遙感數據分析中的典型應用。目標識別是計算機視覺領域的核心問題之一，而飛機目標的識別是民用領域里的一項重要應用。國內外學者在目標識別方面已經做了大量研究，每種目標識別方法都各有利弊，又都有一定的適用范圍。圖像預處理與分割圖像預處理是目標識別過程中一個必不可少的基本環節。為了對飛機目標進行提取，首先對圖像進行平滑預處理，再分割圖像目標。圖像分割是將所需要的目標部分從圖像的背景中分離出來。圖像預處理在圖像采集中不可避免地會產生圖像噪聲，而噪聲直接影響到對目標邊緣輪廓的準確提取。目標檢測對于人來說是再簡單不過的任務，但是對于計算機來說，它看到的是一些值為0～255的數組，因而很難直接得到圖像中有人或者貓這種高層語義概念，也不清楚目標出現在圖像中哪個區域。圖像中的目標可能出現在任何位置，目標的形態可能存在各種各樣的變化，圖像的背景千差萬別，這些因素導致目標檢測并不是一個容易解決的任務。傳統目標檢測的方法一般分為三個階段：首先在給定的圖像上選擇一些候選的區域，然后對這些區域提取特征，最后使用訓練的分類器進行分類。由于目標可能出現在圖像的任何位置，而且目標的大小、長寬比例也不確定，所以最初采用滑動窗口的策略對整幅圖像進行遍歷，而且需要設置不同的尺度，不同的長寬比。這種窮舉的策略雖然包含了目標所有可能出現的位置，但是缺點也是顯而易見的：時間復雜度太高，產生冗余窗口太多，這也嚴重影響后續特征提取和分類的速度和性能。現如今的目標識別方法大部分都需要人工提取樣本特征，然后選擇適當的分類器進行訓練，訓練分為多個階段，訓練耗時，占用磁盤空間大：5000張圖像產生幾百G的特征文件。不僅提取過程繁瑣，且結果不一定盡如人意。速度慢:使用GPU,VGG16模型處理一張圖像需要47s。由于遙感圖像數據量巨大，依靠傳統人工判讀的方式從中提取特定目標的信息難以適應遙感技術的發展趨勢，如何從這些數據中快速、準確的提取所需要的信息成為當今遙感圖像解析的重點與難點。針對傳統飛機檢測方法性能差、準確率低及泛化能力弱等問題，現有技術提出了一種基于深度信念網絡的光學遙感圖像飛機檢測方法。該方法將深度學習引入飛機檢測的應用當中，構建了基于深度信念網絡及基于卷積神經網絡兩種飛機檢測結構模型，借助優化圖像預處理、訓練樣本獲取和改進訓練結構等方式，提高檢測算法的性能。