[發(fā)明專利]基于改進FasterR-CNN的復(fù)雜戰(zhàn)場環(huán)境目標高效識別方法

在審

• 申請?zhí)枺?/td>: 202011171514.5
• 申請日: 2020-10-28
• 公開（公告）號: CN112417981A
• 公開（公告）日: 2021-02-26
• 發(fā)明（設(shè)計）人: 王運明;彭超亮;初憲武
• 申請（專利權(quán)）人: 大連交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 大連智高專利事務(wù)所(特殊普通合伙) 21235
• 代理人: 蓋小靜

本發(fā)明公開了基于改進FasterR?CNN的復(fù)雜戰(zhàn)場環(huán)境目標高效識別方法，包括：構(gòu)建兩路特征提取網(wǎng)絡(luò)；一路特征提取網(wǎng)絡(luò)輸出的戰(zhàn)場環(huán)境特征圖輸入候選區(qū)域生成網(wǎng)絡(luò)，所述候選區(qū)域生成網(wǎng)絡(luò)通過融合淺層目標位置信息和深層高階語義特征來區(qū)分戰(zhàn)場環(huán)境中的背景與目標，采用K?Means聚類方法對戰(zhàn)場環(huán)境特征圖重新設(shè)置錨點尺寸大小以及長寬比；另一路特征提取網(wǎng)絡(luò)輸出的戰(zhàn)場環(huán)境特征圖、候選區(qū)域生成網(wǎng)絡(luò)輸出的候選區(qū)域輸入分類回歸網(wǎng)絡(luò)中，對目標進行分類識別，并對位置進行回歸。此方法在復(fù)雜戰(zhàn)場環(huán)境下，提高了戰(zhàn)場目標的準確率，使得此模型較之前的模型有更好的理論指導(dǎo)意義。

技術(shù)領(lǐng)域

本發(fā)明屬于深度學習與圖像識別領(lǐng)域，具體涉及基于改進FasterR-CNN的復(fù)雜戰(zhàn)場環(huán)境目標高效識別方法。

背景技術(shù)

復(fù)雜戰(zhàn)場環(huán)境下，無人裝備集群如何有效、準確識別戰(zhàn)場目標，是實現(xiàn)無人裝備精確控制、避障及執(zhí)行攻擊任務(wù)的關(guān)鍵，對敵方目標的識別能夠保障我方無人裝備在復(fù)雜動態(tài)戰(zhàn)場下完成偵察及作戰(zhàn)任務(wù)。傳統(tǒng)的目標識別方法主要有Cascade+HOG、DPM+Haar、SVM及其改進、優(yōu)化方法，這些方法的缺點是需要人工設(shè)計特征，工作量龐大，而且類似算法在目標形態(tài)變化大、背景復(fù)雜或者光照不足的情況下表現(xiàn)往往不佳。隨著深度學習在目標識別上的應(yīng)用，采用深層次的神經(jīng)網(wǎng)絡(luò)提取出的目標特征質(zhì)量遠遠超過傳統(tǒng)人工特征。卷積神經(jīng)網(wǎng)絡(luò)采用原始圖像作為輸入，可以有效地從大量樣本中學習到相應(yīng)特征，避免復(fù)雜的特征提取過程。

但是受復(fù)雜戰(zhàn)場目標運動速度、形狀、尺寸、姿態(tài)等內(nèi)部因素的改變和氣象環(huán)境等外部因素的影響，且無人裝備獲取的目標樣本數(shù)量較少，使得無人裝備的目標識別存在準確性低、速度慢的問題。

盡管目前已有大量用于進行目標檢測的算法，但在很多自然場景中FasterR-CNN仍是最廣泛使用的一種深度學習算法，因此，選取FasterR-CNN來進行復(fù)雜戰(zhàn)場環(huán)境目標高效識別。整個FasterR-CNN網(wǎng)絡(luò)模型主要分為特征提取網(wǎng)絡(luò)、候選區(qū)域生成網(wǎng)絡(luò)和分類回歸網(wǎng)絡(luò)3個子網(wǎng)絡(luò)部分：

所述特征提取網(wǎng)絡(luò)：顧名思義就是利用卷積網(wǎng)絡(luò)提取圖像特征，它可以是任何能學習圖像特征的網(wǎng)絡(luò)結(jié)構(gòu)，由于卷積網(wǎng)絡(luò)參數(shù)過多不易調(diào)參，所以一般都會采用一些已經(jīng)被廣泛使用的網(wǎng)絡(luò)結(jié)構(gòu)，通常使用ZF、AlexNet、VGG16及殘差網(wǎng)絡(luò)ResNet等網(wǎng)絡(luò)模型。特征提取網(wǎng)絡(luò)所提取的特征好壞會直接影響到候選區(qū)域生成網(wǎng)絡(luò)的性能，因為生成的特征圖像將被送到候選區(qū)域生成網(wǎng)絡(luò)中進行目標分類以及目標位置回歸。特征提取網(wǎng)絡(luò)是整個卷積網(wǎng)絡(luò)的基礎(chǔ)，對整個網(wǎng)絡(luò)的性能好壞起到關(guān)鍵性作用。如圖1所示，即為特征提取網(wǎng)絡(luò)的結(jié)構(gòu)，僅給出與特征提取網(wǎng)絡(luò)相關(guān)部分的結(jié)構(gòu)。

所述候選區(qū)域生成網(wǎng)絡(luò)：FasterR-CNN算法中的候選區(qū)域生成網(wǎng)絡(luò)，即RPN網(wǎng)絡(luò)，其作用是選取目標可能的候選區(qū)域并進行前景背景的判別，同時對這些區(qū)域的位置進行回歸，微調(diào)修正。該網(wǎng)絡(luò)以特征提取網(wǎng)絡(luò)生成的特征圖作為輸入，通過設(shè)定不同尺度不同長寬比例的anchor機制，并將其作用于特征圖，獲取到一定數(shù)量的目標可能的候選區(qū)域框。其本質(zhì)是使用滑動窗口算法進行候選區(qū)域的提取，通過使用卷積神經(jīng)網(wǎng)絡(luò)來實現(xiàn)。如圖2所示，即為候選區(qū)域生成網(wǎng)絡(luò)的結(jié)構(gòu)，僅給出與該網(wǎng)絡(luò)相關(guān)部分的結(jié)構(gòu)。

所述分類回歸網(wǎng)絡(luò)：FasterR-CNN算法中的分類回歸網(wǎng)絡(luò)輸入為候選區(qū)域及其對應(yīng)的特征圖，該子網(wǎng)絡(luò)的作用是對候選區(qū)域的前景進一步分類，確定目標的具體類別，同時對目標區(qū)域的位置再次進行回歸。然而由于目標形狀大小各異，anchor機制的設(shè)置，使得候選區(qū)域的大小形狀不盡相同，最后將映射后的特征向量分別輸入到回歸層和分類層當中，一個用于進行目標類別的判斷，一個用于進行目標位置的回歸。如圖3所示，即為分類回歸網(wǎng)絡(luò)的結(jié)構(gòu)，僅給出與該網(wǎng)絡(luò)相關(guān)部分的結(jié)構(gòu)。