[發(fā)明專利]基于遷移學(xué)習(xí)的紅外圖像識(shí)別方法及存儲(chǔ)介質(zhì)

有效

• 申請?zhí)枺?/td>: 202011129222.5
• 申請日: 2020-10-21
• 公開（公告）號(hào): CN112215296B
• 公開（公告）日: 2023-05-05
• 發(fā)明（設(shè)計(jì)）人: 林文杰;楊景鑫;張曉裕;曾洪源;陳偉民;黃曉聰;吳清勇;羅宇寧;李政凱;吳雪玲;陳耀高;林玉涵
• 申請（專利權(quán)）人: 紅相股份有限公司
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/774;G06V10/82;G06N3/096;G06N3/0464;G06T7/11
• 代理公司: 深圳市博銳專利事務(wù)所 44275
• 代理人: 張鵬

本發(fā)明公開了一種基于遷移學(xué)習(xí)的紅外圖像識(shí)別方法及存儲(chǔ)介質(zhì)，方法包括：根據(jù)紅外樣本圖像，獲取正樣本圖像塊和負(fù)樣本圖像塊，并劃分得到第一訓(xùn)練集、第二訓(xùn)練集和測試集；構(gòu)建紅外圖像處理模型，包括特征提取模塊、標(biāo)簽預(yù)測模塊和域分類器；根據(jù)訓(xùn)練集，分別對多個(gè)紅外圖像處理模型中的特征提取模塊和域分類器進(jìn)行訓(xùn)練；根據(jù)測試集，分別對訓(xùn)練后的多個(gè)紅外圖像處理模型進(jìn)行評(píng)估，選取最優(yōu)紅外圖像處理模型；根據(jù)第一訓(xùn)練集和測試集，對最優(yōu)紅外圖像處理模型中的標(biāo)簽預(yù)測模塊進(jìn)行訓(xùn)練；將待識(shí)別圖像塊輸入訓(xùn)練后的最優(yōu)紅外圖像處理模型，并將標(biāo)簽預(yù)測模塊的輸出結(jié)果作為識(shí)別結(jié)果。本發(fā)明可提高紅外圖像的識(shí)別準(zhǔn)確率和識(shí)別速度。

技術(shù)領(lǐng)域

本發(fā)明涉及，尤其涉及一種基于遷移學(xué)習(xí)的紅外圖像識(shí)別方法及存儲(chǔ)介質(zhì)。

背景技術(shù)

1800年，英國天文學(xué)家F.W.Herschel在進(jìn)行太陽光譜的熱效應(yīng)研究實(shí)驗(yàn)的時(shí)候，發(fā)現(xiàn)了一種肉眼無法感知的光線，這種光線就是所謂的“紅外線”。經(jīng)過不斷的實(shí)驗(yàn)與探索，人們已經(jīng)對紅外光線有了本質(zhì)的認(rèn)識(shí)，即紅外光線是一種波長處于0.75um～1000um之間電磁輻射。根據(jù)分子熱運(yùn)動(dòng)原理，任何溫度處于絕對零度以上的物體，其內(nèi)部分子和原子會(huì)不斷地進(jìn)行無規(guī)則運(yùn)動(dòng)，并向物體外部輻射“紅外線”，物體溫度越高，內(nèi)部無規(guī)則運(yùn)動(dòng)越劇烈，電磁輻射就越強(qiáng)。紅外成像系統(tǒng)的成像過程就是利用探測器獲取目標(biāo)物體與背景之間不同的紅外熱輻射能量，通過光電轉(zhuǎn)換，將不可見的紅外輻射能轉(zhuǎn)變?yōu)榭梢姷募t外圖像。1934年，第一只熱紅外光線的變像管出現(xiàn)于德國。此后，針對紅外成像技術(shù)的研究開始起步，經(jīng)過研究者們不斷的探索與發(fā)現(xiàn)，紅外熱像儀已經(jīng)發(fā)展到了第四代紅外成像系統(tǒng)。相較于可見光成像系統(tǒng)，紅外成像系統(tǒng)的作用距離更遠(yuǎn)、抗干擾性更好，穿透煙塵霧霾能力更強(qiáng)，并且可全天時(shí)全天候工作，這些優(yōu)點(diǎn)使得紅外成像技術(shù)不僅能廣泛應(yīng)用于衛(wèi)星成像、導(dǎo)彈制導(dǎo)、戰(zhàn)機(jī)探測等軍事領(lǐng)域，同時(shí)也能大量應(yīng)用于電力、消防、工業(yè)及醫(yī)療等民用領(lǐng)域。多領(lǐng)域的應(yīng)用為紅外成像系統(tǒng)帶來了廣大的市場，從而帶動(dòng)了紅外成像技術(shù)的蓬勃發(fā)展。然而，盡管紅外成像技術(shù)的發(fā)展非常迅速，但是整體的紅外成像技術(shù)依然存在著空間分辨率低、立體感差、對比度弱及信噪比低等缺點(diǎn)，因此紅外成像技術(shù)并不適用于高質(zhì)量圖像要求的領(lǐng)域。

自二十一世紀(jì)初(Hinton于2006年在《科學(xué)》上提出)，深度學(xué)習(xí)的技術(shù)在人工智能領(lǐng)域上有所突破，是現(xiàn)今機(jī)器學(xué)習(xí)方法中最接近人類大腦運(yùn)算的一種方法。深度學(xué)習(xí)與簡單學(xué)習(xí)是相對的。傳統(tǒng)機(jī)器學(xué)習(xí)方法由于局限于BP神經(jīng)網(wǎng)絡(luò)發(fā)展的瓶頸，都處于簡單學(xué)習(xí)，或者說是在淺層的結(jié)構(gòu)上進(jìn)行運(yùn)算，即最多只能達(dá)到兩層非線性特征轉(zhuǎn)換層。例如高斯混合模型GMM，支持向量機(jī)SVM等。而現(xiàn)實(shí)獲取的數(shù)據(jù)中存在大量的、復(fù)雜的變量以及變量環(huán)境，這是簡單學(xué)習(xí)無法處理的，或者是處理起來需要耗費(fèi)大量的成本。

另外，在傳統(tǒng)的機(jī)器學(xué)習(xí)中，經(jīng)常需要大量帶標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練，并且需要保證訓(xùn)練集和測試集中的數(shù)據(jù)分布相似。在一些問題中，如果訓(xùn)練集和測試集的數(shù)據(jù)具有不同的分布，訓(xùn)練后的分類器在測試集上就沒有好的表現(xiàn)。

近年來，遷移學(xué)習(xí)已經(jīng)引起了廣泛的關(guān)注和研究。遷移學(xué)習(xí)是運(yùn)用已存有的知識(shí)對不同但相關(guān)領(lǐng)域問題進(jìn)行求解的一種新的機(jī)器學(xué)習(xí)方法。它放寬了傳統(tǒng)機(jī)器學(xué)習(xí)中的兩個(gè)基本假設(shè)：(1)用于學(xué)習(xí)的訓(xùn)練樣本與新的測試樣本滿足獨(dú)立同分布的條件；(2)必須有足夠可利用的訓(xùn)練樣本才能學(xué)習(xí)得到一個(gè)好的分類模型。目的是遷移已有的知識(shí)來解決目標(biāo)領(lǐng)域中僅有少量有標(biāo)簽樣本數(shù)據(jù)甚至沒有的學(xué)習(xí)問題。

在此背景下，提出一種基于遷移學(xué)習(xí)的紅外圖像識(shí)別方法。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是：提供一種基于遷移學(xué)習(xí)的紅外圖像識(shí)別方法及存儲(chǔ)介質(zhì)，可提高紅外圖像的識(shí)別準(zhǔn)確率和識(shí)別速度。

為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：一種基于遷移學(xué)習(xí)的紅外圖像識(shí)別方法，包括：

根據(jù)紅外樣本圖像，獲取正樣本圖像塊和負(fù)樣本圖像塊，并劃分得到訓(xùn)練集和測試集，所述訓(xùn)練集包括第一訓(xùn)練集和第二訓(xùn)練集；