[發(fā)明專利]一種點(diǎn)源靶標(biāo)像控點(diǎn)檢測(cè)模型訓(xùn)練方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202010520015.6
• 申請(qǐng)日: 2020-06-09
• 公開（公告）號(hào): CN111753887A
• 公開（公告）日: 2020-10-09
• 發(fā)明（設(shè)計(jì)）人: 李凱;張永生;李峰;童曉沖;楊偉銘;賴廣陵;紀(jì)松
• 申請(qǐng)（專利權(quán)）人: 軍事科學(xué)院系統(tǒng)工程研究院后勤科學(xué)與技術(shù)研究所
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04
• 代理公司: 鄭州睿信知識(shí)產(chǎn)權(quán)代理有限公司 41119
• 代理人: 崔旭東

本發(fā)明涉及一種點(diǎn)源靶標(biāo)像控點(diǎn)檢測(cè)模型訓(xùn)練方法及裝置，屬于點(diǎn)源靶標(biāo)探測(cè)技術(shù)領(lǐng)域，隨機(jī)生成若干個(gè)點(diǎn)源靶標(biāo)像控點(diǎn)模擬影像，該點(diǎn)源靶標(biāo)像控點(diǎn)模擬影像為：以點(diǎn)源靶標(biāo)像控點(diǎn)為中心的中心亮、周圍暗的影像；在衛(wèi)星影像中隨機(jī)選取一個(gè)位置，將點(diǎn)源靶標(biāo)像控點(diǎn)模擬影像放入該位置，替換該位置處的影像，得到一個(gè)包含點(diǎn)源靶標(biāo)像控點(diǎn)的影像樣本；重復(fù)該步驟，得到設(shè)定數(shù)量的影像樣本，根據(jù)影像樣本生成對(duì)應(yīng)的點(diǎn)源靶標(biāo)像控點(diǎn)檢測(cè)訓(xùn)練集；利用神經(jīng)網(wǎng)絡(luò)建立檢測(cè)模型，將所述點(diǎn)源靶標(biāo)像控點(diǎn)檢測(cè)訓(xùn)練集輸入檢測(cè)模型進(jìn)行訓(xùn)練，得到點(diǎn)源靶標(biāo)像控點(diǎn)檢測(cè)模型，解決現(xiàn)有點(diǎn)源靶標(biāo)像控點(diǎn)訓(xùn)練樣本數(shù)量不足，而傳統(tǒng)檢測(cè)方法又存在效率低、精度差的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及一種點(diǎn)源靶標(biāo)像控點(diǎn)檢測(cè)模型訓(xùn)練方法及裝置，屬于點(diǎn)源靶標(biāo)探測(cè)技術(shù)領(lǐng)域。

背景技術(shù)

點(diǎn)目標(biāo)的檢測(cè)、識(shí)別問題已經(jīng)受到越來越多的重視，是提升制導(dǎo)系統(tǒng)作用距離，將強(qiáng)防御系統(tǒng)能力的關(guān)鍵技術(shù)之一，由于目標(biāo)距離探測(cè)器較為遙遠(yuǎn)，通常在探測(cè)器所得圖像中僅占用一個(gè)或幾個(gè)像素，不具有任何形狀信息，使得利用傳統(tǒng)的檢測(cè)方法不能夠快速、準(zhǔn)確地進(jìn)行點(diǎn)目標(biāo)識(shí)別。

目前，現(xiàn)有點(diǎn)目標(biāo)檢測(cè)技術(shù)中，通常采用以下幾種方法：1)基于點(diǎn)源靶標(biāo)影像的特征參數(shù)可有效檢測(cè)點(diǎn)源靶標(biāo)像控點(diǎn)，但是通常需要借助于影像中的部分先驗(yàn)信息，在無可用先驗(yàn)信息情況下，只能采用經(jīng)驗(yàn)值，可能導(dǎo)致像控點(diǎn)的誤判。2)可利用傳感器位置和姿態(tài)初始信息對(duì)點(diǎn)源靶標(biāo)像控點(diǎn)位置進(jìn)行初始定位，縮小搜索范圍，但是在后續(xù)檢測(cè)過程中需要對(duì)候選區(qū)域逐像素進(jìn)行檢驗(yàn)，這也降低了算法的檢測(cè)效率。而理想的檢測(cè)算法應(yīng)能在無約束條件和先驗(yàn)信息情況下快速、準(zhǔn)確的檢測(cè)點(diǎn)源靶標(biāo)像控點(diǎn)。

近些年來獲得高度關(guān)注的深度學(xué)習(xí)算法對(duì)影像中特定目標(biāo)的檢測(cè)與檢測(cè)具有非常優(yōu)越的性能，如深度卷積神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)從衛(wèi)星影像中田徑場(chǎng)、建筑物到醫(yī)學(xué)影像中病變位置的檢測(cè)。因此，可將點(diǎn)源靶標(biāo)影像視為一類特殊的地物，通過對(duì)大量樣本的學(xué)習(xí)，得到穩(wěn)定的神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)點(diǎn)源靶標(biāo)像控點(diǎn)的快速智能檢測(cè)。

但是，與田徑場(chǎng)、建筑物等自然界中的地物不同，點(diǎn)源靶標(biāo)影像具有其特殊性。首先，自然界中不存在理想的點(diǎn)源靶標(biāo)，人工布設(shè)的點(diǎn)源靶標(biāo)使用頻次和數(shù)量也有限。因此，現(xiàn)在甚至未來數(shù)年都無法獲取足夠多的點(diǎn)源靶標(biāo)影像樣本用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。其次，點(diǎn)源靶標(biāo)影像特征單一，而深度學(xué)習(xí)算法通常被設(shè)計(jì)用于具有較豐富特征的物體的檢測(cè)與分類，如深度檢測(cè)場(chǎng)景中應(yīng)用廣泛的人臉、車輛、動(dòng)植物、建筑物等均具有豐富的特征。最后，點(diǎn)源靶標(biāo)影像尺度較小，將點(diǎn)源靶標(biāo)影像這一類尺寸很小的目標(biāo)稱為微小目標(biāo)，其成像結(jié)果通常在邊長(zhǎng)僅僅為3至7個(gè)像素的影像塊之內(nèi)，這也是深度學(xué)習(xí)算法的應(yīng)用場(chǎng)景中很少出現(xiàn)的。由于以上問題的存在，目前流行的深度學(xué)習(xí)算法并不能適用于點(diǎn)源靶標(biāo)像控點(diǎn)的檢測(cè)，從而無法將深度學(xué)習(xí)算法的優(yōu)勢(shì)在點(diǎn)目標(biāo)檢測(cè)中發(fā)揮出來。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種點(diǎn)源靶標(biāo)像控點(diǎn)檢測(cè)模型訓(xùn)練方法及裝置，以解決現(xiàn)有點(diǎn)源靶標(biāo)像控點(diǎn)的檢測(cè)方法效率低、精度差的問題。

為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案為：本發(fā)明提供了一種點(diǎn)源靶標(biāo)像控點(diǎn)檢測(cè)模型訓(xùn)練方法，包括如下步驟：

1)隨機(jī)生成若干個(gè)點(diǎn)源靶標(biāo)像控點(diǎn)模擬影像，所述點(diǎn)源靶標(biāo)像控點(diǎn)模擬影像為：以點(diǎn)源靶標(biāo)像控點(diǎn)為中心的中心亮、周圍暗的影像；

2)在衛(wèi)星影像中隨機(jī)選取一個(gè)位置，將所述點(diǎn)源靶標(biāo)像控點(diǎn)模擬影像放入該位置，替換該位置處的影像，得到一個(gè)包含點(diǎn)源靶標(biāo)像控點(diǎn)的影像樣本；

3)重復(fù)所述步驟2)，得到設(shè)定數(shù)量的影像樣本，根據(jù)影像樣本生成對(duì)應(yīng)的點(diǎn)源靶標(biāo)像控點(diǎn)檢測(cè)訓(xùn)練集；

4)利用神經(jīng)網(wǎng)絡(luò)建立檢測(cè)模型，將所述點(diǎn)源靶標(biāo)像控點(diǎn)檢測(cè)訓(xùn)練集輸入檢測(cè)模型進(jìn)行訓(xùn)練，得到點(diǎn)源靶標(biāo)像控點(diǎn)檢測(cè)模型。