(一)本發(fā)明是一種基于深度學(xué)習(xí)的偏振成像偽裝目標(biāo)識(shí)別方法，利用偏振技術(shù)結(jié)合深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，針對(duì)不同環(huán)境不同位置下的偽裝目標(biāo)，可進(jìn)行識(shí)別操作，屬于光學(xué)圖像信息提取。

背景技術(shù)：

0、(二)背景技術(shù)

1、偏振成像具有根據(jù)人工目標(biāo)的固有特性檢測(cè)人工目標(biāo)的優(yōu)點(diǎn)。然而，隨著偽裝材料和偽裝屏蔽性能的發(fā)展，偽裝目標(biāo)的反光學(xué)探測(cè)技術(shù)不斷提高，偏振成像技術(shù)已應(yīng)用于多個(gè)領(lǐng)域，包括遙感、醫(yī)學(xué)診斷、去霧、水下成像、面部識(shí)別和目標(biāo)檢測(cè)。在目標(biāo)檢測(cè)領(lǐng)域，以往的研究表明，由于人工目標(biāo)的材料特性和表面粗糙度與自然背景不同，偏振成像技術(shù)可以提高人工目標(biāo)與自然背景的對(duì)比度，抑制自然背景的雜波信號(hào)，然而，目前紅外偏振成像的空間分辨率不足以顯示人造目標(biāo)的表面紋理信息。因此，我們考慮采用可見光波段的被動(dòng)偏振成像技術(shù)來探測(cè)偽裝在自然場(chǎng)景中的人造目標(biāo)，同時(shí)獲取其表面紋理信息。

2、為了提高對(duì)偽裝目標(biāo)的識(shí)別能力，提出基于深度學(xué)習(xí)的偏振成像偽裝目標(biāo)識(shí)別方法，傳統(tǒng)的利用偏振對(duì)偽裝目標(biāo)的識(shí)別能力有限，且在面對(duì)大量待識(shí)別的圖像時(shí)需要花費(fèi)大量的人力與物力；且一些傳統(tǒng)的深度學(xué)習(xí)方法只對(duì)偏振圖像進(jìn)行了一些預(yù)處理，并不能更好的利用所有圖像的特征，本文針對(duì)不同場(chǎng)景不同位置的偽裝目標(biāo)提出了一種新型深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，即在預(yù)處理階段與特征提取及融合階段都引入了深度學(xué)習(xí)，將其結(jié)合，用于更好的識(shí)別偽裝目標(biāo)。實(shí)現(xiàn)了對(duì)偽裝目標(biāo)的識(shí)別，對(duì)比傳統(tǒng)偏振識(shí)別效率更高，且保留了原始圖像背景顏色；對(duì)比傳統(tǒng)深度學(xué)習(xí)方法識(shí)別出的特征更為明顯，效果更好。

技術(shù)實(shí)現(xiàn)思路

0、(三)
技術(shù)實(shí)現(xiàn)要素：

1、本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的偏振成像偽裝目標(biāo)識(shí)別方法。解決了傳統(tǒng)偏振方法無法保留原始圖像背景色彩與傳統(tǒng)深度學(xué)習(xí)方法無法達(dá)到更佳識(shí)別效果的問題，大大降低了人力與物力消耗，實(shí)現(xiàn)了對(duì)偽裝目標(biāo)的精確識(shí)別。

2、本發(fā)明的目的是這樣實(shí)現(xiàn)的：

3、一種基于深度學(xué)習(xí)的偏振成像偽裝目標(biāo)識(shí)別方法，包括下列步驟：

4、步驟s1：利用偏振相機(jī)得到0°、45°、90°偏振圖像，利用深度學(xué)習(xí)對(duì)偏振圖像進(jìn)行濾波去噪處理，最大化降低噪聲對(duì)測(cè)試的干擾。

5、步驟s2：對(duì)去噪處理后的偏振圖像進(jìn)行匹配校準(zhǔn)計(jì)算，根據(jù)公式得到偏振度、偏振角圖像將他們作為兩個(gè)通道輸入到深度學(xué)習(xí)訓(xùn)練模型中。

6、步驟s3：利用深度學(xué)習(xí)得到低層、中層、高層三種特征。

7、步驟s4：利用深度學(xué)習(xí)增大感受野，得到增強(qiáng)后的特征圖，輸入到sinet神經(jīng)網(wǎng)絡(luò)，并搜索，從候選特征中得到最終想要的偽裝目標(biāo)特征，該部分設(shè)計(jì)了新的結(jié)構(gòu)，用于在圖像中進(jìn)行匹配。

8、步驟:s5：針對(duì)不同場(chǎng)景下不同位置的偽裝目標(biāo)，使用相同神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使模型達(dá)到可以在不同場(chǎng)景、偽裝目標(biāo)位置不同時(shí)仍能正確識(shí)別出目標(biāo)。

9、優(yōu)選的，所述步驟s4：利用深度學(xué)習(xí)增大感受野，得到增強(qiáng)后的特征圖，輸入到sinet神經(jīng)網(wǎng)絡(luò)，并搜索，從候選特征中得到最終想要的偽裝目標(biāo)特征，該部分添加了新的結(jié)構(gòu)為：

10、包括：增加bconv分支，最大程度的增加感受野，同時(shí)在每一層設(shè)置可訓(xùn)練的內(nèi)核選擇性的去篩選各層特征，保留效果好的層特征，使最終的特征圖效果達(dá)到最佳。

11、優(yōu)選的，增加bconv分支，最大程度的增加感受野，同時(shí)在每一層設(shè)置可訓(xùn)練的內(nèi)核選擇性的去篩選各層特征，保留效果好的層特征的過程為：

12、每個(gè)分支根據(jù)需求進(jìn)行空洞數(shù)s的空洞卷積，將前6個(gè)分支特征圖拼接，再將其進(jìn)行1×1卷積降維操作，與第七個(gè)分支進(jìn)行相加操作，最后輸出增強(qiáng)后的特征圖，將偏振度、偏振角圖像以及原始圖像中增強(qiáng)后的特征圖通過sinet訓(xùn)練篩選出所需要的偽裝目標(biāo)特征，與對(duì)應(yīng)圖像進(jìn)行匹配，最終融合并在原圖中進(jìn)行顯示。

13、優(yōu)選的，在訓(xùn)練時(shí)，針對(duì)不同場(chǎng)景下不同位置的偽裝目標(biāo)，使用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的過程為：

14、在深度學(xué)習(xí)訓(xùn)練進(jìn)行前，優(yōu)化神經(jīng)網(wǎng)絡(luò)超參數(shù)，對(duì)現(xiàn)有數(shù)據(jù)集進(jìn)行擴(kuò)充，以提高模型魯棒性及準(zhǔn)確性。

15、優(yōu)選的，優(yōu)化神經(jīng)網(wǎng)絡(luò)超參數(shù)，對(duì)現(xiàn)有數(shù)據(jù)集進(jìn)行擴(kuò)充的過程為：

16、更換激活函數(shù)，使用更適合該數(shù)據(jù)集的mish激活函數(shù)，添加余弦退火學(xué)習(xí)率調(diào)整策略，防止模型過擬合，引入更多場(chǎng)景圖片數(shù)據(jù)，開啟訓(xùn)練時(shí)對(duì)數(shù)據(jù)集進(jìn)行隨機(jī)分割、粘貼、裁剪、角度變化等操作以增添更多的數(shù)據(jù)集，提高模型魯棒性及準(zhǔn)確性。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的偏振成像偽裝目標(biāo)識(shí)別方法。其特征是：包括下列步驟:

2.根據(jù)權(quán)利要求1所述的方法，其特征在于：利用深度學(xué)習(xí)增大感受野，得到增強(qiáng)后的特征圖，輸入到sinet神經(jīng)網(wǎng)絡(luò)，并搜索，從候選特征中得到最終想要的偽裝目標(biāo)特征，該部分設(shè)計(jì)了新的結(jié)構(gòu)，包括：增加bconv分支，最大程度的增加感受野，同時(shí)在每一層設(shè)置可訓(xùn)練的內(nèi)核選擇性的去篩選各層特征，保留效果好的層特征，使最終的特征圖效果達(dá)到最佳。

3.根據(jù)權(quán)利要求2所述的方法。其特征在于：增加bconv分支，最大程度的增加感受野，同時(shí)在每一層設(shè)置可訓(xùn)練的內(nèi)核選擇性的去篩選各層特征，包括：每個(gè)分支根據(jù)需求進(jìn)行空洞數(shù)s的空洞卷積，將前6個(gè)分支特征圖拼接，再將其進(jìn)行1×1卷積降維操作，與第七個(gè)分支進(jìn)行相加操作，最后輸出增強(qiáng)后的特征圖，將偏振度、偏振角圖像以及原始圖像中增強(qiáng)后的特征圖通過sinet訓(xùn)練篩選出所需要的偽裝目標(biāo)特征，與對(duì)應(yīng)圖像進(jìn)行匹配，最終融合并在原圖中進(jìn)行顯示。

4.根據(jù)權(quán)利要求1所述的方法。其特征在于：針對(duì)不同場(chǎng)景下不同位置的偽裝目標(biāo)，使用相同神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使模型達(dá)到可以在不同場(chǎng)景、偽裝目標(biāo)位置不同時(shí)仍能正確識(shí)別出目標(biāo)，包括：在深度學(xué)習(xí)訓(xùn)練進(jìn)行前，優(yōu)化神經(jīng)網(wǎng)絡(luò)超參數(shù)，對(duì)現(xiàn)有數(shù)據(jù)集進(jìn)行擴(kuò)充，以提高模型魯棒性及準(zhǔn)確性。

5.根據(jù)權(quán)利要求4所述的方法。其特征在于：優(yōu)化神經(jīng)網(wǎng)絡(luò)超參數(shù)，對(duì)現(xiàn)有數(shù)據(jù)集進(jìn)行擴(kuò)充，包括：更換激活函數(shù)，使用更適合該數(shù)據(jù)集的mish激活函數(shù)，添加余弦退火學(xué)習(xí)率調(diào)整策略，防止模型過擬合，引入更多場(chǎng)景圖片數(shù)據(jù)，開啟訓(xùn)練時(shí)對(duì)數(shù)據(jù)集進(jìn)行隨機(jī)分割、裁剪、角度變化等操作以增添更多的數(shù)據(jù)集，提高模型魯棒性及準(zhǔn)確性。

技術(shù)總結(jié)
本發(fā)明提供的是一種基于深度學(xué)習(xí)的偏振成像偽裝目標(biāo)識(shí)別方法。包括以下步驟：步驟S1：利用偏振相機(jī)得到0°、45°、90°偏振圖像，利用深度學(xué)習(xí)對(duì)偏振圖像進(jìn)行濾波去噪處理，最大化降低噪聲對(duì)測(cè)試的干擾。步驟S2：對(duì)去噪處理后的偏振圖像進(jìn)行匹配校準(zhǔn)計(jì)算，根據(jù)公式得到偏振度、偏振角圖像，將他們作為兩個(gè)通道輸入到深度學(xué)習(xí)訓(xùn)練模型中。步驟S3：利用深度學(xué)習(xí)得到低層、中層、高層三種特征。步驟S4：利利用深度學(xué)習(xí)增大感受野，得到增強(qiáng)后的特征圖，輸入到SINet神經(jīng)網(wǎng)絡(luò)，并搜索，從候選特征中得到最終想要的偽裝目標(biāo)特征，用于在圖像中進(jìn)行匹配。步驟:S5：針對(duì)不同場(chǎng)景下不同位置的偽裝目標(biāo)，使用相同神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使模型達(dá)到可以在不同場(chǎng)景、偽裝目標(biāo)位置不同時(shí)仍能正確識(shí)別出目標(biāo)。本發(fā)明能有效識(shí)別出環(huán)境中隱藏的偽裝目標(biāo)，可廣泛用于多場(chǎng)景單個(gè)或多目標(biāo)偽裝探測(cè)等領(lǐng)域。

技術(shù)研發(fā)人員：葉松,李雨生,張紫楊,董柏君,梁鑫浩
受保護(hù)的技術(shù)使用者：桂林電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6