CN109815967A - 基于特征融合的cnn舰船目标识别***及方法 - Google Patents
基于特征融合的cnn舰船目标识别***及方法 Download PDFInfo
- Publication number
- CN109815967A CN109815967A CN201910148840.5A CN201910148840A CN109815967A CN 109815967 A CN109815967 A CN 109815967A CN 201910148840 A CN201910148840 A CN 201910148840A CN 109815967 A CN109815967 A CN 109815967A
- Authority
- CN
- China
- Prior art keywords
- feature
- cnn
- fusion
- features
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于特征融合的CNN舰船目标识别***及方法，所述***包括改进CNN模块，用于对输入舰船红外图像进行多层卷积及池化操作，自动获取图像高维特征信息；改进CNN模块基于LeNet‑5卷积神经网络进行改变获得：包括采用3*3的卷积核、卷积层数为6，池化方式采用最大值池化方式，激励函数为Relu函数；特征融合模块，用于人工提取所述输入舰船红外图像的人工特征信息，进而得到加权特征序列；再与基于改进CNN模块获得的图像高维特征信息进行串联融合，获得融合特征序列；分类输出模块，用于采用全连接层对融合特征序列进行分类，实现目标识别。本发明能够自动提取目标特征，具有良好的泛化能力与识别精度；它同时使分类特征具有一定可解释性。
Description
技术领域
本发明涉及舰船目标识别技术领域，尤其涉及一种基于特征融合的CNN舰船目标识别***及方法。
背景技术
基于卷积神经网络(Convolutional Neural Networks,CNN)的目标识别算法是目前较为先进的目标识别方法。与传统算法例如SVM，K-近邻聚类算法等相比，基于CNN的目标识别算法摒弃了传统算法中人为对目标进行特征提取的步骤，通过深层次的卷积操作自动提取目标图像的高维特征并对其进行分类。同时CNN与传统识别算法相比具有更好的泛化能力与更高的识别精度。
红外成像相比于其他成像方式具有分辨率高、隐蔽性好、气候适应性强等优点。因此基于红外成像的优点，舰船红外图像的目标识别这一研究领域有着广泛的用途，其不仅可以用于全天候海面船只调度，在海上船只救援搜寻方面也发挥着重要的作用，意义重大。
目前，目标红外图像识别方法根据特征提取方式的不同主要可分为两大类：以人工提取特征为分类基础的传统方法如支持向量机、聚类算法等；以及基于深度学***面，实现分类的目的。由于传统识别算法所用特征加入了人为的主观理解，具备了良好的可控性与可解释性，但无法实现自动化的特征提取；另一方面由于无法提取出目标更高维特征，传统算法识别精度较低，泛化能力差。基于深度学习的方法通过深层的卷积操作对图像进行处理能够自动的提取出目标高维特征并进行分类，实现了算法从特征提取到分类的全自动化；基于深度学习的分类算法具有良好的鲁棒性与泛化能力，但其所提取的高维特征不具有可解释性，并且对于小数据集的舰船红外图像来说，训练集数量较少也会产生识别率低以及过拟合现象。
因此，针对以上不足，需要提供一种新的舰船目标识别技术，将传统识别算法与深度学习算法相结合用于舰船目标识别，从而既能够自动提取目标特征，又使分类特征具有一定可解释性。
发明内容
本发明要解决的技术问题在于，针对现有技术中对舰船目标红外图像的识别，采用传统分类算法无法实现自动化的特征提取，而基于深度学习的分类算法所提取的高维特征不具有可解释性的缺陷，提供一种基于特征融合的CNN舰船目标识别***及方法。
为了解决上述技术问题，本发明提供了一种基于特征融合的CNN舰船目标识别***，包括：
改进CNN模块，用于对输入舰船红外图像进行多层卷积及池化操作，自动获取图像高维特征信息；所述改进CNN模块基于LeNet-5卷积神经网络进行改变获得：包括采用3*3的卷积核、卷积层数为6，池化方式采用最大值池化方式，激励函数为Relu函数；
特征融合模块，用于人工提取所述输入舰船红外图像的人工特征信息，对人工特征信息进行处理，并进行线性加权得到加权特征序列；所述加权特征序列与基于改进CNN模块获得的图像高维特征信息进行串联融合，获得融合特征序列；
分类输出模块，用于采用全连接层对融合特征序列进行分类，实现目标识别。
在根据本发明所述的基于特征融合的CNN舰船目标识别***中，所述人工提取所述输入舰船红外图像的人工特征信息包括，提取输入舰船红外图像的HOG特征与SIFT特征。
在根据本发明所述的基于特征融合的CNN舰船目标识别***中，所述对人工特征信息进行处理包括：
对所述HOG特征与SIFT特征采用PCA主成分分析法提炼主要特征，对所述主要特征进行K-近邻聚类分类，获得多个特征分类组；
所述得到加权特征序列的方法包括，
分析每个特征分类组中所述主要特征的分类误差，根据分类误差对每个特征分类组中的主要特征进行线性加权，得到对应于特征分类组的所有主要特征的加权特征序列。
在根据本发明所述的基于特征融合的CNN舰船目标识别***中，所述进行线性加权的权重wi为：
式中，i为特征分类组的顺序数，M为特征分类组的总个数，ei为分类误差。
在根据本发明所述的基于特征融合的CNN舰船目标识别***中，所述全连接层引入Dropout算法对融合特征序列进行分类。
本发明还提供了一种基于特征融合的CNN舰船目标识别方法，包括：
采用改进CNN模块对输入舰船红外图像进行多层卷积及池化操作，自动获取图像高维特征信息的步骤；所述改进CNN模块基于LeNet-5卷积神经网络进行改变获得：包括采用3*3的卷积核、卷积层数为6，池化方式采用最大值池化方式，激励函数为Relu函数；
人工提取所述输入舰船红外图像的人工特征信息，对人工特征信息进行处理，并进行线性加权得到加权特征序列的步骤；以及采用特征融合模块对所述加权特征序列与基于改进CNN模块获得的图像高维特征信息进行串联融合，获得融合特征序列的步骤；
通过分类输出模块的全连接层对融合特征序列进行分类，实现目标识别的步骤。
在根据本发明所述的基于特征融合的CNN舰船目标识别方法中，所述人工提取所述输入舰船红外图像的人工特征信息包括，提取输入舰船红外图像的HOG特征与SIFT特征。
在根据本发明所述的基于特征融合的CNN舰船目标识别方法中，所述对人工特征信息进行处理包括：
对所述HOG特征与SIFT特征采用PCA主成分分析法提炼主要特征，对所述主要特征进行K-近邻聚类分类，获得多个特征分类组；
所述得到加权特征序列的方法包括，
分析每个特征分类组中所述主要特征的分类误差，根据分类误差对每个特征分类组中的主要特征进行线性加权，得到对应于特征分类组的所有主要特征的加权特征序列。
在根据本发明所述的基于特征融合的CNN舰船目标识别方法中，所述进行线性加权的权重wi为：
式中，i为特征分类组的顺序数，M为特征分类组的总个数，ei为分类误差。
在根据本发明所述的基于特征融合的CNN舰船目标识别方法中，所述全连接层引入Dropout算法对融合特征序列进行分类。
实施本发明的基于特征融合的CNN舰船目标识别***及方法，具有以下有益效果：本发明针对舰船红外图像这类小数据集目标，将传统识别算法与深度学习算法优势相融合，对输入舰船红外图像进行处理并识别。本发明***及方法能够自动提取目标特征，具有良好的泛化能力与识别精度；它同时使分类特征具有一定可解释性，是舰船红外图像识别领域的一项有意义的突破。
本发明中的改进CNN模块能有效的减少卷积神经网络的训练参数，大大缩短训练时间；其采用最大值池化方式降低了网络的复杂程度，提高了训练效率；所采用的激励函数有助于提高***的收敛速度。
附图说明
图1为根据本发明的基于特征融合的CNN舰船目标识别***的示例性结构图；
图2为根据本发明的改进CNN模块的示例性结构图；
图3为根据本发明的特征融合模块的示例性算法框图；
图4为根据本发明的基于特征融合的CNN舰船目标识别方法的示例性框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
具体实施方式一、本发明的第一方面，提供了一种基于特征融合的CNN舰船目标识别***，结合图1至图3所示，包括：
改进CNN模块，用于对输入舰船红外图像进行多层卷积及池化操作，自动获取图像高维特征信息；所述改进CNN模块基于LeNet-5卷积神经网络进行改变获得：包括采用3*3的卷积核、卷积层数为6，池化方式采用最大值池化方式，激励函数为Relu函数；
特征融合模块，用于人工提取所述输入舰船红外图像的人工特征信息，对人工特征信息进行处理，并进行线性加权得到加权特征序列；所述加权特征序列与基于改进CNN模块获得的图像高维特征信息进行串联融合，获得融合特征序列；
分类输出模块，用于采用全连接层对融合特征序列进行分类，实现目标识别。
本实施方式通过三个模块，来实现对不同舰船目标的识别分类。所述舰船可以包括军舰、商船、货船等。为了将红外场景下不同类别的船只分开，传统的机器学习算法通常采用船只的骨架或轮廓特征作为分类依据，这种方法需要人工提取特征，过程繁琐，并且由于忽略了不同类别船只的纹理特征，造成分类准确率低。本发明采用了改进的LeNet-5卷积神经网络对舰船红外图像自动的提取其高维纹理特征，再与人工提取的特征相融合，提高了舰船识别的自动化程度并增加了分类的准确率。
所述改进CNN模块基于经典的LeNet-5卷积神经网络进行结构和参数化的改进而获得，主要涉及卷积层和池化层，其***参数表如下：
| 参数 | 改进CNN模块 |
| 卷积核 | 3*3 |
| 卷积层数 | 6 |
| 激励函数 | ReLu |
| 池化方式 | 最大值 |
结合上表及图1和图2所示，在改进CNN模块中，为了降低训练参数，减少网络***复杂性，提高其稳定性，选用了更小的3*3卷积核代替原有的5*5卷积核，将原LeNet-5的3层卷积操作加深为6层；通过减小卷积核大小的同时加深卷积层数的方法，将LeNet-5网络所需要训练的参数由原来的156个降低为98个，有效地减少了卷积神经网络的训练参数，大大缩短了训练时间。
本实施方式采用3*3的模板对输入舰船红外图像进行卷积操作，一共进行6层卷积操作。在每层卷积操作后，使用3*3模板对所得特征图进行最大值池化操作，所述池化操作能够自动获取图像的高维特征信息，并很好的防止目标信息的丢失。激励函数使用ReLu函数，能够防止训练过程中产生的梯度饱和效应。
由于舰船目标的红外图像数据预先经过分割处理，只保留目标区域。为了防止在池化的同时丢失目标特征信息，本实施方式中将原LeNet-5网络中均值池化方式用最大值池化方式代替，如图2所示。最大值池化通过选取模板区域最大值的方式对每层特征图进行降维处理，降低了网络的复杂程度，提高了训练效率。图1和图2中的G1表示第一个卷积层，G2表示第二个卷积层，V1表示第一个池化层，G2表示第二个池化层，直至第六个卷积层和第六个池化层。
为了进一步加快网络***的收敛速率，防止网络***在训练的过程中出现梯度饱和的现象，本实施方式中用Relu函数代替LeNet-5网络中的Sigmoid函数。Relu函数是一个分段函数，与Sigmoid函数相比Relu函数的梯度在x≥0时为1，反之为0。在x≥0部分完全消除了Sigmoid函数的梯度饱和效应；在计算复杂度上，Relu函数也相对简单。同时Relu函数有助于提高***的收敛速度，收敛速度相对于Sigmoid函数约快6倍左右。
Simoid函数表达式为：
式中σ(x)表示Simoid函数的神经元输出响应，x表示神经元的输入；
Relu函数表达式为：
式中ReLu(x)表示Relu函数的神经元输出响应。
所述特征融合模块，通过人工提取图像特征并对其进行线性加权得到加权特征序列，最后与改进CNN模块所提特征进行串联融合；这不但能够提高对图像的识别精度，还在一定程度上增加了分类特征的可解释性。最后将人工提取特征与自动获取的特征进行融合获得融合特征序列作为分类特征。
本实施方式经过改进CNN模块处理后，获得的图像高维特征是图像形式的可解释度很低的抽象特征；特征融合模块人工提取的特征信息主要是通过PCA主成分分析后的HOG特征与SIFT特征；将HOG特征、SIFT特征与图像高维特征一同输入到全连接层，从而达到串联融合的目的。
本实施方式具备基于舰船红外特征进行自动特征提取及分类的功能，具有良好的识别率、泛化能力以及一定程度的特征可解释性，可为海上舰船目标预警检测、海上救援等提供有力的技术支撑。
作为示例，所述人工提取所述输入舰船红外图像的人工特征信息包括，提取输入舰船红外图像的HOG特征与SIFT特征。HOG特征是在图像的局部方格单元上操作获得，所以它对图像的几何和光学形变能保持很好的不变性；而根据SIFT特征可在图像中检测出关键点，所以SIFT特征可以作为一种局部特征描述子。这与CNN提取出的高维特征具有良好的互补性。
进一步，结合图3所示，所述对人工特征信息进行处理包括：
对所述HOG特征与SIFT特征采用PCA主成分分析法提炼主要特征，对所述主要特征进行K-近邻聚类分类，获得多个特征分类组；
所述得到加权特征序列的方法包括，
分析每个特征分类组中所述主要特征的分类误差，根据分类误差对每个特征分类组中的主要特征进行线性加权，得到对应于特征分类组的所有主要特征的加权特征序列。
本实施方式中，特征融合模块对输入舰船红外图像进行HOG特征与SIFT特征的提取后，采用PCA对其进行降维操作，只保留主要特征，所述主要特征为来自于HOG特征与SIFT特征的降维后的特征。
进一步，所述进行线性加权的权重wi为：
式中，i为特征分类组的顺序数，M为特征分类组的总个数，ei为分类误差。
分类误差ei可以作为加权依据，根据分类误差及计算获得的权重，可以对相应的特征分类组中的主要特征进行加权。
进一步，结合图1和图2所示，所述全连接层引入Dropout算法对融合特征序列进行分类。
本实施方式中，根据实际需求，针对舰船红外图像数量较少的客观因素，在全连接层中引入Dropout算法，可以有效提高神经网络的泛化能力，防止因为图像训练集较少而引起的训练***过拟合。同时，全连接层的Dropout算法在每一次训练参数的过程中能够选择性的忽略部分神经元参数。最后，将融合特征序列作为分类特征输入到全连接层中，可快速精准得到目标图像的输出分类。
本实施方式中，可以采用误差反向传播算法以及随机梯度下降法进行***参数的训练，算法参数初始化采用Xavier参数初始化方法。
下面结合具体实施例对本发明进行进一步的说明：
实施例：所述舰船目标识别***包括改进CNN模块、特征融合模块及分类输出模块，如图1所示。
在改进CNN模块中，采用3*3的模板对输入图像进行卷积操作，每一层卷积都可得到比上一层卷积更高维更抽象的目标特征，一共进行6层卷积。在每层卷积操作后，对所得特征图进行最大值池化操作，最大值池化使用3*3模板遍历所得特征图，在遍历过程中选取模板区域内最大值作为采样值输出，最终得到经过降维的特征图作为下一卷积层的输入图像。这种池化方式能够在对特征图降维的同时最大程度的保留目标特征信息。其中激励函数使用ReLu函数，能够防止训练过程中产生的梯度饱和效应。
在特征融合模块中，对输入图像进行人工特征提取，对所提取特征采用PCA主成分分析，再用所得特征通过K-近邻聚类方法进行目标分类，分析每种特征的分类误差作为加权依据对特征进行加权。最终将所得特征与CNN自动提取出的高维特征进行串联特征融合。特征融合模块算法框图如图3所示。
在分类输出模块中引入Dropout算法，将上述所得融合特征序列输入全连接层进行分类输出，同时在使用误差反向传播算法进行参数训练的同时，选择性的对部分神经元参数保持不变，提高网络的泛化能力。最终得到舰船红外图像的分类输出。
具体实施方式二、本发明的另一方面还提供了一种基于特征融合的CNN舰船目标识别方法，结合图1至图4所示，包括：
采用改进CNN模块对输入舰船红外图像进行多层卷积及池化操作，自动获取图像高维特征信息的步骤；所述改进CNN模块基于LeNet-5卷积神经网络进行改变获得：包括采用3*3的卷积核、卷积层数为6，池化方式采用最大值池化方式，激励函数为Relu函数；
人工提取所述输入舰船红外图像的人工特征信息，对人工特征信息进行处理，并进行线性加权得到加权特征序列的步骤；以及采用特征融合模块对所述加权特征序列与基于改进CNN模块获得的图像高维特征信息进行串联融合，获得融合特征序列的步骤；
通过分类输出模块的全连接层对融合特征序列进行分类，实现目标识别的步骤。
本实施方式通过三个步骤，实现对不同舰船目标的识别分类。所述舰船可以包括军舰、商船、货船等。为了将红外场景下不同类别的船只分开，传统的机器学习算法通常采用船只的骨架或轮廓特征作为分类依据，这种方法需要人工提取特征，过程繁琐，并且由于忽略了不同类别船只的纹理特征，造成分类准确率低。本实施方式采用改进的LeNet-5卷积神经网络对舰船红外图像自动的提取其高维纹理特征，再与人工提取的特征相融合，提高了舰船识别的自动化程度并增加了分类的准确率。
本实施方式采用3*3的模板对输入舰船红外图像进行卷积操作，一共进行6层卷积操作。在每层卷积操作后，使用3*3模板对所得特征图进行最大值池化操作，所述池化操作能够自动获取图像的高维特征信息，并很好的防止目标信息的丢失。激励函数使用ReLu函数，能够防止训练过程中产生的梯度饱和效应。
由于舰船目标的红外图像数据预先经过分割处理，只保留目标区域。为了防止在池化的同时丢失目标特征信息，本实施方式中将原LeNet-5网络中均值池化方式用最大值池化方式代替，如图2所示。最大值池化通过选取模板区域最大值的方式对每层特征图进行降维处理，降低了网络的复杂程度，提高了训练效率。图1和图2中的G1表示第一个卷积层，G2表示第二个卷积层，V1表示第一个池化层，G2表示第二个池化层，直至第六个卷积层和第六个池化层。
为了进一步加快网络***的收敛速率，防止网络***在训练的过程中出现梯度饱和的现象，本实施方式中用Relu函数代替LeNet-5网络中的Sigmoid函数。Relu函数是一个分段函数，与Sigmoid函数相比Relu函数的梯度在x≥0时为1，反之为0。在x≥0部分完全消除了Sigmoid函数的梯度饱和效应；在计算复杂度上，Relu函数也相对简单。同时Relu函数有助于提高***的收敛速度，收敛速度相对于Sigmoid函数约快6倍左右。
Simoid函数表达式为：
式中σ(x)表示Simoid函数的神经元输出响应，x表示神经元的输入；
Relu函数表达式为：
式中ReLu(x)表示Relu函数的神经元输出响应。
所述获得融合特征序列的步骤，通过人工提取图像特征并对其进行线性加权得到加权特征序列，最后与改进CNN模块所提取特征进行串联融合；这不但能够提高对图像的识别精度，还在一定程度上增加了分类特征的可解释性。最后将人工提取特征与自动获取的特征进行融合获得融合特征序列作为分类特征。
本实施方式经过改进CNN模块对图像处理的步骤，获得的图像高维特征是图像形式的可解释度很低的抽象特征；特征融合步骤中人工提取的特征信息主要是通过PCA主成分分析后的HOG特征与SIFT特征；将HOG特征、SIFT特征与图像高维特征一同输入到全连接层，从而达到串联融合的目的。
本实施方式具备基于舰船红外特征进行自动特征提取及分类的功能，具有良好的识别率、泛化能力以及一定程度的特征可解释性，可为海上舰船目标预警检测、海上救援等提供有力的技术支撑。
进一步，结合图1所示，所述人工提取所述输入舰船红外图像的人工特征信息包括，提取输入舰船红外图像的HOG特征与SIFT特征。HOG特征是在图像的局部方格单元上操作获得，所以它对图像的几何和光学形变能保持很好的不变性；而根据SIFT特征可在图像中检测出关键点，所以SIFT特征可作为一种局部特征描述子。这与CNN提取出的高维特征具有良好的互补性。
进一步，结合图3所示，所述对人工特征信息进行处理包括：
对所述HOG特征与SIFT特征采用PCA主成分分析法提炼主要特征，对所述主要特征进行K-近邻聚类分类，获得多个特征分类组；
所述得到加权特征序列的方法包括，
分析每个特征分类组中所述主要特征的分类误差，根据分类误差对每个特征分类组中的主要特征进行线性加权，得到对应于特征分类组的所有主要特征的加权特征序列。
本实施方式中，特征融合模块对输入舰船红外图像进行HOG特征与SIFT特征的提取后，采用PCA对其进行降维操作，只保留主要特征，所述主要特征为来自于HOG特征与SIFT特征的降维后的特征。
进一步，所述进行线性加权的权重wi为：
式中，i为特征分类组的顺序数，M为特征分类组的总个数，ei为分类误差。
分类误差ei可以作为加权依据，根据分类误差及计算获得的权重，可以对相应的特征分类组中的主要特征进行加权。
进一步，结合图1和图2所示，所述全连接层引入Dropout算法对融合特征序列进行分类。
本实施方式中，根据实际需求，针对舰船红外图像数量较少的客观因素，在全连接层中引入Dropout算法，可以有效提高神经网络的泛化能力，防止因为图像训练集较少而引起的训练***过拟合。同时，全连接层的Dropout算法在每一次训练参数的过程中能够选择性的忽略部分神经元参数。最后，将融合特征序列作为分类特征输入到全连接层中，可快速精准得到目标图像的输出分类。
本实施方式中，可以采用误差反向传播算法以及随机梯度下降法进行***参数的训练，算法参数初始化采用Xavier参数初始化方法。
综上所述，本发明可以实现对不同舰船目标进行快速精准识别，拥有更好的识别率及更好的泛化能力。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于特征融合的CNN舰船目标识别***，其特征在于包括：
改进CNN模块，用于对输入舰船红外图像进行多层卷积及池化操作，自动获取图像高维特征信息；所述改进CNN模块基于LeNet-5卷积神经网络进行改变获得：包括采用3*3的卷积核、卷积层数为6，池化方式采用最大值池化方式，激励函数为Relu函数；
特征融合模块，用于人工提取所述输入舰船红外图像的人工特征信息，对人工特征信息进行处理，并进行线性加权得到加权特征序列；所述加权特征序列与基于改进CNN模块获得的图像高维特征信息进行串联融合，获得融合特征序列；
分类输出模块，用于采用全连接层对融合特征序列进行分类，实现目标识别。
2.根据权利要求1所述的基于特征融合的CNN舰船目标识别***，其特征在于：
所述人工提取所述输入舰船红外图像的人工特征信息包括，提取输入舰船红外图像的HOG特征与SIFT特征。
3.根据权利要求2所述的基于特征融合的CNN舰船目标识别***，其特征在于：所述对人工特征信息进行处理包括：
对所述HOG特征与SIFT特征采用PCA主成分分析法提炼主要特征，对所述主要特征进行K-近邻聚类分类，获得多个特征分类组；
所述得到加权特征序列的方法包括，
分析每个特征分类组中所述主要特征的分类误差，根据分类误差对每个特征分类组中的主要特征进行线性加权，得到对应于特征分类组的所有主要特征的加权特征序列。
4.根据权利要求3所述的基于特征融合的CNN舰船目标识别***，其特征在于：所述进行线性加权的权重wi为：
式中，i为特征分类组的顺序数，M为特征分类组的总个数，ei为分类误差。
5.根据权利要求1至4中任一项所述的基于特征融合的CNN舰船目标识别***，其特征在于：所述全连接层引入Dropout算法对融合特征序列进行分类。
6.一种基于特征融合的CNN舰船目标识别方法，其特征在于包括：
采用改进CNN模块对输入舰船红外图像进行多层卷积及池化操作，自动获取图像高维特征信息的步骤；所述改进CNN模块基于LeNet-5卷积神经网络进行改变获得：包括采用3*3的卷积核、卷积层数为6，池化方式采用最大值池化方式，激励函数为Relu函数；
人工提取所述输入舰船红外图像的人工特征信息，对人工特征信息进行处理，并进行线性加权得到加权特征序列的步骤；以及采用特征融合模块对所述加权特征序列与基于改进CNN模块获得的图像高维特征信息进行串联融合，获得融合特征序列的步骤；
通过分类输出模块的全连接层对融合特征序列进行分类，实现目标识别的步骤。
7.根据权利要求6所述的基于特征融合的CNN舰船目标识别方法，其特征在于：
所述人工提取所述输入舰船红外图像的人工特征信息包括，提取输入舰船红外图像的HOG特征与SIFT特征。
8.根据权利要求7所述的基于特征融合的CNN舰船目标识别方法，其特征在于：所述对人工特征信息进行处理包括：
对所述HOG特征与SIFT特征采用PCA主成分分析法提炼主要特征，对所述主要特征进行K-近邻聚类分类，获得多个特征分类组；
所述得到加权特征序列的方法包括，
分析每个特征分类组中所述主要特征的分类误差，根据分类误差对每个特征分类组中的主要特征进行线性加权，得到对应于特征分类组的所有主要特征的加权特征序列。
9.根据权利要求8所述的基于特征融合的CNN舰船目标识别方法，其特征在于：所述进行线性加权的权重wi为：
式中，i为特征分类组的顺序数，M为特征分类组的总个数，ei为分类误差。
10.根据权利要求6至9中任一项所述的基于特征融合的CNN舰船目标识别方法，其特征在于：所述全连接层引入Dropout算法对融合特征序列进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910148840.5A CN109815967A (zh) | 2019-02-28 | 2019-02-28 | 基于特征融合的cnn舰船目标识别***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910148840.5A CN109815967A (zh) | 2019-02-28 | 2019-02-28 | 基于特征融合的cnn舰船目标识别***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109815967A true CN109815967A (zh) | 2019-05-28 |
Family
ID=66607664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910148840.5A Pending CN109815967A (zh) | 2019-02-28 | 2019-02-28 | 基于特征融合的cnn舰船目标识别***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109815967A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782481A (zh) * | 2019-10-18 | 2020-02-11 | 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） | 无人艇智能决策方法及*** |
| CN111442827A (zh) * | 2020-04-08 | 2020-07-24 | 南京艾森斯智能科技有限公司 | 一种变压器绕组振动的光纤无源在线监测***及方法 |
| CN111563553A (zh) * | 2020-05-08 | 2020-08-21 | 华北理工大学 | 一种基于pca-cnn分类识别的球团矿相预测碱度的方法 |
| CN111639513A (zh) * | 2019-12-10 | 2020-09-08 | 珠海大横琴科技发展有限公司 | 一种船只遮挡识别方法、装置及电子设备 |
| CN111695397A (zh) * | 2019-12-20 | 2020-09-22 | 珠海大横琴科技发展有限公司 | 一种基于yolo的船只识别方法及电子设备 |
| CN111931558A (zh) * | 2020-06-22 | 2020-11-13 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 船舶类别识别方法及*** |
| CN112069958A (zh) * | 2020-08-27 | 2020-12-11 | 广西柳工机械股份有限公司 | 物料识别方法、装置、设备及存储介质 |
| CN112329835A (zh) * | 2020-10-30 | 2021-02-05 | 天河超级计算淮海分中心 | 图像处理方法、电子设备和存储介质 |
| CN113365382A (zh) * | 2021-08-10 | 2021-09-07 | 深圳市信润富联数字科技有限公司 | 灯光控制方法、装置、电子设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787458A (zh) * | 2016-03-11 | 2016-07-20 | 重庆邮电大学 | 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法 |
| CN107909082A (zh) * | 2017-10-30 | 2018-04-13 | 东南大学 | 基于深度学习技术的声呐图像目标识别方法 |
| CN108921030A (zh) * | 2018-06-04 | 2018-11-30 | 浙江大学 | 一种快速学习的sar自动目标识别方法 |
-
2019
- 2019-02-28 CN CN201910148840.5A patent/CN109815967A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787458A (zh) * | 2016-03-11 | 2016-07-20 | 重庆邮电大学 | 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法 |
| CN107909082A (zh) * | 2017-10-30 | 2018-04-13 | 东南大学 | 基于深度学习技术的声呐图像目标识别方法 |
| CN108921030A (zh) * | 2018-06-04 | 2018-11-30 | 浙江大学 | 一种快速学习的sar自动目标识别方法 |
Non-Patent Citations (7)
| Title |
|---|
| 刘建 等，: "卷积神经网络综述", 《计算机时代》 * |
| 刘建伯 等，: "基于改进LeNet-5的油井井号识别方法", 《自动化技术与应用》 * |
| 周奇，: "基于多特征的轮船运动目标跟踪及轨迹获取方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 周飞燕 等，: "卷积神经网络研究综述", 《计算机学报》 * |
| 张建虎，: "面向目标识别的多特征融合研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 王佩军 等，: "《摄影测量学》", 31 May 2016, 武汉大学出版社 * |
| 苏欣 等，: "《Android手机应用网络流量分析与恶意行为检测研究》", 31 October 2016, 湖南大学出版社 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782481A (zh) * | 2019-10-18 | 2020-02-11 | 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） | 无人艇智能决策方法及*** |
| CN110782481B (zh) * | 2019-10-18 | 2023-09-05 | 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） | 无人艇智能决策方法及*** |
| CN111639513A (zh) * | 2019-12-10 | 2020-09-08 | 珠海大横琴科技发展有限公司 | 一种船只遮挡识别方法、装置及电子设备 |
| CN111695397A (zh) * | 2019-12-20 | 2020-09-22 | 珠海大横琴科技发展有限公司 | 一种基于yolo的船只识别方法及电子设备 |
| CN111442827A (zh) * | 2020-04-08 | 2020-07-24 | 南京艾森斯智能科技有限公司 | 一种变压器绕组振动的光纤无源在线监测***及方法 |
| CN111442827B (zh) * | 2020-04-08 | 2022-07-19 | 南京艾森斯智能科技有限公司 | 一种变压器绕组振动的光纤无源在线监测*** |
| CN111563553A (zh) * | 2020-05-08 | 2020-08-21 | 华北理工大学 | 一种基于pca-cnn分类识别的球团矿相预测碱度的方法 |
| CN111931558A (zh) * | 2020-06-22 | 2020-11-13 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 船舶类别识别方法及*** |
| CN112069958A (zh) * | 2020-08-27 | 2020-12-11 | 广西柳工机械股份有限公司 | 物料识别方法、装置、设备及存储介质 |
| CN112329835A (zh) * | 2020-10-30 | 2021-02-05 | 天河超级计算淮海分中心 | 图像处理方法、电子设备和存储介质 |
| CN113365382A (zh) * | 2021-08-10 | 2021-09-07 | 深圳市信润富联数字科技有限公司 | 灯光控制方法、装置、电子设备和存储介质 |
| CN113365382B (zh) * | 2021-08-10 | 2021-11-09 | 深圳市信润富联数字科技有限公司 | 灯光控制方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109815967A (zh) | 基于特征融合的cnn舰船目标识别***及方法 | |
| CN106203395B (zh) | 基于多任务深度学习的人脸属性识别方法 | |
| Zahisham et al. | Food recognition with resnet-50 | |
| CN106599854B (zh) | 基于多特征融合的人脸表情自动识别方法 | |
| CN108615010B (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
| US5245672A (en) | Object/anti-object neural network segmentation | |
| CN106650806A (zh) | 一种用于行人检测的协同式深度网络模型方法 | |
| Burie et al. | ICFHR2016 competition on the analysis of handwritten text in images of balinese palm leaf manuscripts | |
| CN106709568A (zh) | 基于深层卷积网络的rgb‑d图像的物体检测和语义分割方法 | |
| Delakis et al. | Text detection with convolutional neural networks | |
| CN111144490A (zh) | 一种基于轮替知识蒸馏策略的细粒度识别方法 | |
| CN107808132A (zh) | 一种融合主题模型的场景图像分类方法 | |
| CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
| CN111414862A (zh) | 基于神经网络融合关键点角度变化的表情识别方法 | |
| CN103366180A (zh) | 一种基于自动特征学习的细胞图像分割方法 | |
| CN109472209A (zh) | 一种图像识别方法、装置和存储介质 | |
| CN110188615A (zh) | 一种人脸表情识别方法、装置、介质及*** | |
| CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
| CN109344856B (zh) | 一种基于多层判别式特征学习的脱机签名鉴别方法 | |
| CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
| CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
| CN110427912A (zh) | 一种基于深度学习的人脸检测方法及其相关装置 | |
| CN110569780A (zh) | 一种基于深度迁移学习的高精度人脸识别方法 | |
| CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |