[發明專利]一種基于卷積神經網絡的目標群分布模式研判方法和設備

有效

• 申請號: 202010099360.7
• 申請日: 2020-02-18
• 公開（公告）號: CN111339871B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 徐欣;刁聯旺;李曉冬
• 申請（專利權）人: 中國電子科技集團公司第二十八研究所
• 主分類號: G06V20/00
• 分類號: G06V20/00;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 李淑靜

1.一種基于卷積神經網絡的目標群分布模式研判方法，其特征在于，包括以下步驟：

利用多源傳感器感知目標群中個體信息，基于空間格劃分策略生成目標群圖像矩陣；

在傳統LeNet-5模型基礎上根據目標群圖像矩陣構建卷積神經網絡模型，包括：將輸入由傳統LeNet-5模型的像素級二維圖像尺寸拓展到區塊級的目標群圖像矩陣；將傳統LeNet-5模型的像素級圖像感受野拓展到區塊級的編隊感受野；將傳統LeNet-5模型的固定尺寸圖像感受野拓展為L個不同尺寸的感受野，所述不同尺寸通過上述拓展的區塊級編隊感受野進行設置，從而構建出L個并行的具有不同感受野尺寸的卷積神經網絡CNN₁,CNN₂,……,CNN_L；

利用生成的目標群圖像矩陣訓練卷積神經網絡模型，包括：用目標群圖像矩陣分別訓練構建好的L個并行的卷積神經網絡CNN₁,CNN₂,……,CNN_L，在針對目標群圖像矩陣進行卷積操作時，給定卷積核i及其對應的一系列權重{w_ij}和一個偏差量b，按照行列遍歷順序，得到單個卷積操作返回值r_val：

r_val＝∑_i,je_ijw_ij+b

e_ij為感受野內各區塊像素值，w_ij為卷積核i中第j個元素對應權重；

利用訓練好的卷積神經網絡模型對新產生的目標群感知樣本進行分布模型研判，包括：將新產生的編隊分布模式未知的目標群感知信息轉換為目標群圖像矩陣，分別用訓練好的L個并列的卷積神經網絡CNN₁,CNN₂,……,CNN_L進行編隊分布模式識別，各卷積神經網絡CNN_u關于編隊分布模式v的softmax輸出結果用Vote(u,v)表示，其中u表示卷積神經網絡索引，滿足1≤u≤L；最后根據以下公式對新樣本的編隊分布模式t_mode進行判別：

t_mode＝argmax_vΣ_uVote(u,v)

輸出的判別結果為L個卷積神經網絡中投票最多的編隊分布模式。

2.根據權利要求1所述的基于卷積神經網絡的目標群分布模式研判方法，其特征在于，所述基于空間格劃分策略生成目標群圖像矩陣包括：將目標群所屬區域映射為N×M個空間格，統計各空間格內各傳感器感知到的目標數測量值，在此基礎上計算各空間格的泊松參數以及由空間格構成的區塊泊松參數，計算目標群區域中各區塊對應的像素值，進而生成目標群圖像矩陣。

3.根據權利要求2所述的基于卷積神經網絡的目標群分布模式研判方法，其特征在于，所述空間格的泊松參數計算公式如下：

以g_xy表示第x行、第y列的空間格，1≤x≤N，1≤y≤M，λ_xy表示空間格g_xy的泊松分布參數，k_xy表示空間格g_xy中各傳感器所感知的總目標數測量值，n_xyi表示第i種傳感器所感知的目標數測量值，1≤i≤k_xy。

4.根據權利要求2所述的基于卷積神經網絡的目標群分布模式研判方法，其特征在于，所述區塊泊松參數計算公式如下：

λ_P＝λ₁+λ₂+……+λ_uv

每個區塊由u×v個空間格構成，每個空間格的泊松參數記為λ₁、λ₂、……、λ_uv，λ_P表示區塊p上的泊松分布參數。

5.根據權利要求2所述的基于卷積神經網絡的目標群分布模式研判方法，其特征在于，所述區塊像素值計算公式如下：

e_p表示目標群區域中各區塊p對應的像素值，Ω_λ＝{λ_p}表示目標群區域中所有區塊泊松參數的集合。