本發(fā)明涉及紅外艦船識別技術(shù)領(lǐng)域，尤其涉及一種基于cnn深度學(xué)習(xí)的近岸紅外艦船識別方法。

背景技術(shù)：

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個新領(lǐng)域，其動機(jī)在于建立模擬人腦進(jìn)行分析和學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，并模擬人腦的機(jī)制來解釋數(shù)據(jù)。其本質(zhì)是一種多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)結(jié)構(gòu)，通過組合轉(zhuǎn)化低層數(shù)據(jù)特征形成更加抽象的高層的數(shù)據(jù)特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示的一種方法。近年來深度學(xué)習(xí)在人工智能的各領(lǐng)域都取得突破性進(jìn)展，尤其在圖像識別、語音識別領(lǐng)域打破了傳統(tǒng)機(jī)器學(xué)習(xí)方法保持的記錄。另外在自然語言理解的各項任務(wù)中也取得了非?？上驳某晒?/p>

cnn(convolutionalneuralnetworks)是一種有監(jiān)督的深層神經(jīng)網(wǎng)絡(luò)模型，被認(rèn)為是第一個真正多層結(jié)構(gòu)的深度學(xué)習(xí)網(wǎng)絡(luò)，最初是由學(xué)者lecun于1998年提出，其本質(zhì)是一個多層感知機(jī)，目前已被成功應(yīng)用于目標(biāo)檢測、分割、識別以及圖像的各個領(lǐng)域，尤其是在人臉識別領(lǐng)域取得了突破性進(jìn)展。

近年來，cnn在深度學(xué)習(xí)領(lǐng)域展現(xiàn)出了強(qiáng)大威力，在機(jī)器學(xué)習(xí)的各個領(lǐng)域都取得了可喜的成績，尤其在圖像識別領(lǐng)域取得了突破性進(jìn)展，其識別準(zhǔn)確率遠(yuǎn)遠(yuǎn)超越了傳統(tǒng)的識別方法。cnn之所以在圖像識別領(lǐng)域取得巨大成功，主要?dú)w咎于其強(qiáng)大的數(shù)據(jù)表征能力，通過cnn不但可以提取輸入圖像的低層次特征，也可以提取圖像的高層次抽象特征，而這些高層次特征通常具有較強(qiáng)的魯棒性。

紅外目標(biāo)識別在軍事領(lǐng)域有重要的研究價值，國內(nèi)外學(xué)者提出了很多種識別方法，這些方法通常是先提取目標(biāo)的特征，然后再根據(jù)目標(biāo)先驗知識構(gòu)造相應(yīng)的決策模型，通過計算待識別目標(biāo)和目標(biāo)模型的特征匹配度來完成對目標(biāo)的識別。常用的統(tǒng)計特征如灰度均值、方差、對比度和紋理等；常見的形狀特征如長寬比、占空比、緊湊度、輪廓形狀和不變矩等。但在實際中，目標(biāo)的這些特征通常會受環(huán)境和目標(biāo)的平移、旋轉(zhuǎn)、尺度、成像視角變化的影響，導(dǎo)致目標(biāo)特征模型的失效，從而做出錯誤的判定。因此，如何利用cnn深層神經(jīng)網(wǎng)絡(luò)進(jìn)行紅外艦船目標(biāo)的準(zhǔn)確識別成為該領(lǐng)域的一個新的研究方向。

技術(shù)實現(xiàn)要素：

為解決上述問題，本發(fā)明提出了一種基于cnn深度學(xué)習(xí)的近岸紅外艦船識別方法，充分利用cnn網(wǎng)絡(luò)的優(yōu)勢，實現(xiàn)艦船目標(biāo)的準(zhǔn)確識別。

本發(fā)明采用的技術(shù)方案如下：

一種基于cnn深度學(xué)習(xí)的近岸紅外艦船識別方法，包括以下步驟：

步驟1、設(shè)置cnn深層神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)；該cnn網(wǎng)絡(luò)模型包括輸入層、卷積層和下采樣層的組合層兩層、全連接層兩層及輸出層；

步驟2、選取訓(xùn)練樣本數(shù)據(jù)，根據(jù)設(shè)置的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進(jìn)行cnn訓(xùn)練；

步驟3、將測試圖像輸入訓(xùn)練后的cnn網(wǎng)絡(luò)，若測試成功率達(dá)98％以上，導(dǎo)出lenet-weights文件，存儲網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)；

步驟4、識別時根據(jù)紅外分割與跟蹤程序，將跟蹤窗口中的目標(biāo)轉(zhuǎn)化為向量，輸入cnn網(wǎng)絡(luò)中并進(jìn)行預(yù)測，輸出的score值即為目標(biāo)預(yù)測類型。

優(yōu)選的，步驟1中卷積層的卷積核窗大小為5×5，核窗跨度為1個像素。

步驟1的具體過程如下：圖像在輸入之前先歸一化為32×32大小，c1層卷積層采用6個核窗大小為5×5的卷積核濾波器，得到6個分辨率為28×28的特征圖，再對c1層進(jìn)行2×2下采樣，在s2層下采樣層得到6個分辨率為14×14的特征圖；c3層卷積層采用16個核窗大小為5×5的卷積核濾波器，得到16個分辨率為10×10的特征圖，再對c3層進(jìn)行2×2下采樣，在s4層下采樣層得到16個分辨率為5×5的特征圖；然后經(jīng)過兩個全連接層，最后一層輸出層是softmax回歸分類器，得到4維的輸出向量。

步驟2中cnn訓(xùn)練方法為：

給定樣本(x_i,y_i)_(i＝1…n)，x_i為樣本數(shù)據(jù)，y_i為期望輸出；

第一階段，向前傳播階段：

1)從樣本集中取一個樣本(x_i,y_i)，將x_i輸入cnn網(wǎng)絡(luò)；

2)計算相應(yīng)的實際輸出o_i；

在此階段，信息從輸入層經(jīng)過逐級的變換，傳送到輸出層；

第二階段，向后傳播階段：

1)計算實際輸出o_i與相應(yīng)的理想輸出y_i的差；

2)按極小化誤差的方法反向傳播調(diào)整權(quán)矩陣；

重復(fù)上述過程，直到誤差小于預(yù)先指定的閾值或達(dá)到預(yù)先設(shè)定的迭代次數(shù)為止。

cnn是一種多層的監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，隱含層的卷積層和下采樣層是實現(xiàn)cnn網(wǎng)絡(luò)特征提取功能的核心模塊，該網(wǎng)絡(luò)模型通過采用梯度下降法最小化損失函數(shù)對網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過頻繁的迭代訓(xùn)練提高網(wǎng)絡(luò)的精度。cnn的低隱層是由卷積層和下采樣層交替組成，高層是全連接層對應(yīng)傳統(tǒng)多層感知器的隱含層和邏輯回歸分類器。第一個全連接層的輸入是由卷積層和下采樣層進(jìn)行特征提取得到的特征圖像。最后一層輸出層是一個分類器，可以采用邏輯回歸、softmax回歸甚至是支持向量機(jī)對輸入圖像進(jìn)行分類。

定義損失函數(shù)為：

其中，xi為訓(xùn)練樣本圖像數(shù)據(jù)，yi為樣本類別符號，t是矩陣的轉(zhuǎn)置符號，n為樣本個數(shù)，f(xi)為最后一層的輸出向量，λ為大于0的常數(shù)，l為cnn網(wǎng)絡(luò)層數(shù)，wk為各層神經(jīng)元連接權(quán)值矩陣。

將識別的目標(biāo)限定為四類，即：帆船、貨船、客船和拖船，其類別符號分別用1、2、3、4表示，則yi是1、2、3、4中的其中一個。

對于所定義的損失函數(shù)，為提高訓(xùn)練速度，我們采用隨機(jī)梯度迭代算法使其最小化，直到損失函數(shù)的梯度小于某個預(yù)先指定的閾值或達(dá)到預(yù)先指定的迭代次數(shù)為止。訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)經(jīng)測試合格后，以文件的形式存儲到計算機(jī)硬盤中，以便在線跟蹤識別時加載網(wǎng)絡(luò)模型。

本發(fā)明采用cnn網(wǎng)絡(luò)進(jìn)行特征提取，將其用于近岸紅外艦船目標(biāo)識別，相比傳統(tǒng)艦船識別方法，識別速度快，識別精度更高，為近岸艦船的準(zhǔn)確識別提供了有效保障。

附圖說明

圖1是本發(fā)明方法流程示意圖；

圖2是cnn網(wǎng)絡(luò)結(jié)構(gòu)示意圖；

圖3是實施例cnn訓(xùn)練樣本圖；

圖4是實施例cnn測試樣本圖；

圖5是識別結(jié)果截圖一；

圖6是識別結(jié)果截圖二；

圖7是識別結(jié)果截圖三；

圖8是識別結(jié)果截圖四；

圖9是識別結(jié)果截圖五；

圖10是識別結(jié)果截圖六；

圖中，1、輸入層，2、卷積層，3、下采樣層，4、卷積層，5、下采樣層，6、全連接層，7、全連接層，8、輸出層。

具體實施方式

下面結(jié)合附圖對本發(fā)明的具體實施方式進(jìn)行詳細(xì)說明。

一種基于cnn深度學(xué)習(xí)的近岸紅外艦船識別方法，如圖1所示，包括以下步驟：

首先，設(shè)置cnn深層神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。

如圖2所示，cnn網(wǎng)絡(luò)模型包括輸入層1、卷積層和下采樣層的組合層兩層、全連接層兩層及輸出層8，共有八層。卷積層卷積核窗大小為5×5，核窗跨度(stride)為1個像素。c1層卷積層2采用6個核窗大小為5×5的卷積核濾波器，得到6個分辨率為28×28的特征圖，再對c1層進(jìn)行2×2下采樣，在s2層下采樣層3得到6個分辨率為14×14的特征圖；c3層卷積層4采用16個核窗大小為5×5的卷積核濾波器，得到16個分辨率為10×10的特征圖，再對c3層進(jìn)行2×2下采樣，在s4層下采樣層5得到16個分辨率為5×5的特征圖；然后經(jīng)過兩個全連接層6、7，最后一層輸出層8是softmax回歸分類器，得到4維的輸出向量。

然后，選取訓(xùn)練樣本數(shù)據(jù)，根據(jù)設(shè)置的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進(jìn)行cnn訓(xùn)練。

對采集的紅外視頻圖像截圖，獲取訓(xùn)練樣本。對于標(biāo)定的訓(xùn)練數(shù)據(jù)集其中xi為訓(xùn)練樣本圖像數(shù)據(jù)，yi為其類別符號，n為樣本個數(shù)。在訓(xùn)練之前，先將訓(xùn)練樣本圖像數(shù)據(jù)歸一化為分辨率32×32大小的灰度圖像塊，并轉(zhuǎn)化為灰度圖，然后按行將灰度圖像塊轉(zhuǎn)化成1024維的向量。在此將識別的目標(biāo)限定為四類，即：帆船、貨船、客船和拖船，其類別符號分別用1、2、3、4表示，因此訓(xùn)練樣本集中的yi是1、2、3、4中的其中一個。

cnn的訓(xùn)練過程與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)類似，也是參照了反向傳播算法。

具體的cnn訓(xùn)練方法為：

給定樣本(x_i,y_i)_(i＝1…n)，x_i為樣本數(shù)據(jù)，y_i為期望輸出；

第一階段，向前傳播階段：

1)從樣本集中取一個樣本(x_i,y_i)，將x_i輸入cnn網(wǎng)絡(luò)；

2)計算相應(yīng)的實際輸出o_i；

在此階段，信息從輸入層經(jīng)過逐級的變換，傳送到輸出層；這個過程也是網(wǎng)絡(luò)在完成訓(xùn)練后正常運(yùn)行時執(zhí)行的過程。在此過程中，網(wǎng)絡(luò)執(zhí)行以下計算(實際上就是輸入與每層的權(quán)值矩陣相點(diǎn)乘，得到最后的輸出結(jié)果)：

o_i＝f_n(…f_2(f_1(x_iw_1+b_1)w_2+b_2)…〖)w〗_n+b_n)(5-1)。

第二階段，向后傳播階段：

1)計算實際輸出o_i與相應(yīng)的理想輸出y_i的差；

2)按極小化誤差的方法反向傳播調(diào)整權(quán)矩陣；

重復(fù)上述過程，直到誤差小于預(yù)先指定的閾值或達(dá)到預(yù)先設(shè)定的迭代次數(shù)為止。

定義損失函數(shù)為：

其中，xi為訓(xùn)練樣本圖像數(shù)據(jù)，yi為樣本類別符號，t是矩陣的轉(zhuǎn)置符號，n為樣本個數(shù)，f(xi)為最后一層的輸出向量，λ為大于0的常數(shù)，l為cnn網(wǎng)絡(luò)層數(shù)，wk為各層神經(jīng)元連接權(quán)值矩陣。為提高訓(xùn)練速度，采用隨機(jī)梯度迭代算法使損失函數(shù)最小化，直到其梯度小于某個預(yù)先指定的閾值或達(dá)到預(yù)先指定的迭代次數(shù)為止。

然后，將測試圖像樣本輸入訓(xùn)練后的cnn網(wǎng)絡(luò)，若測試成功率達(dá)98％以上，導(dǎo)出lenet-weights文件，將訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)存儲到計算機(jī)硬盤中，以便在線跟蹤識別時加載網(wǎng)絡(luò)模型。

最后，識別時根據(jù)紅外分割與跟蹤程序，將跟蹤窗口中的目標(biāo)轉(zhuǎn)化為向量，輸入cnn網(wǎng)絡(luò)中并進(jìn)行預(yù)測，輸出的score值即為目標(biāo)預(yù)測類型。

下面舉例說明本發(fā)明的具體應(yīng)用過程：

為驗證該識別方法的有效性，我們從現(xiàn)有的視頻中提取了帆船、貨船、客船和拖船的樣本數(shù)據(jù)420個，其中350個樣本用來訓(xùn)練cnn模型，訓(xùn)練樣本數(shù)據(jù)如圖3所示(訓(xùn)練數(shù)據(jù)的提取也可以在跟蹤過程中提取樣本數(shù)據(jù))。在樣本數(shù)據(jù)中，帆船和拖船的表觀變化較??；貨船的樣本來自三段不同的視頻數(shù)據(jù)，從圖4(b)-(d)中可以看出來自不同視頻的貨船樣本的表觀變化較大?？痛瑯颖疽彩莵碜詢啥我曨l，這兩段視頻中客船的表觀變化也較大。在實驗中，測試樣本數(shù)據(jù)70個，類別如圖3所示。

對所示的測試樣本，我們在所開發(fā)的軟件中進(jìn)行了在線跟蹤識別測試，跟蹤識別結(jié)果如圖5-10所示，可以看出圖5-9中的帆船、客船、貨船、拖船都能正確識別，只有圖10識別錯誤，這是因為該貨船裝滿貨物，紅外成像寬度較小，同時海岸背景干擾較為嚴(yán)重，跟蹤出現(xiàn)了較大的偏差，因此出現(xiàn)了識別錯誤。