CN110738100A - 一种基于深度学习的伪装军事目标识别方法及*** - Google Patents
一种基于深度学习的伪装军事目标识别方法及*** Download PDFInfo
- Publication number
- CN110738100A CN110738100A CN201910830678.5A CN201910830678A CN110738100A CN 110738100 A CN110738100 A CN 110738100A CN 201910830678 A CN201910830678 A CN 201910830678A CN 110738100 A CN110738100 A CN 110738100A
- Authority
- CN
- China
- Prior art keywords
- image
- difference
- deep learning
- classifier
- military target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的伪装军事目标识别方法及***,第一步:将采集的地理图像进行预处理:第二步:将预处理之后的地理图像与地理信息库中检索出来的该地域、同时段标准图像进行重合匹配差异对比;第三步:将通过差异点比对有明显差异的图像传入放置于云服务器端的卷积神经网络代码块中,进行识别,经过多次的卷积、池化、降维直至网络收敛,融合出特征图像后进入全连接层,将特征图像转化为向量并将输出向量继续传入函数分类器中执行分类器中的SoftMax Loss算法得到图片分类结果。本发明极大减少了人工成本,且通过计算机自动学习,与传统人工识别相比,识别效率和准确度都有了极大提升。
Description
技术领域
本发明实施设计目标自动识别领域,更具体为一种对伪装军事目标图像的识别***。
背景技术
随着军事科技的发展,未来战争呈现出多元化、复杂化的趋势。军事目标信息的获取可凭借多种渠道实现,其中通过诸如车载、机载、卫星、无人机载等平台获取包含军事目标信息的图像,是常用的技术手段。由于军事目标通常分布在复杂的地形、地貌环境中,而且许多目标被刻意伪装,针对这些海量图像数据信息的处理和解析,将面临巨大的计算量。深度学***时代侦查中将发挥重要的作用,通过对海量图像进行自动分析,将分析结果作为战场形势评估的基础,可为指挥员的战术制定提供参考。
发明内容:
发明目的:
本发明的目的在于提供一种基于深度学习的对伪装地面军事目标识别的***,以解决上述背景技术中提出的问题。
技术方案
为了解决上述技术问题,本发明提供如下技术方案:
一种基于深度学习的伪装军事目标识别方法,其特征在于:该方法的步骤如下:
第一步:将采集的地理图像进行预处理:第一步中通过无人机高清图像采集设备采集图片
第二步:将预处理之后的地理图像与地理信息库中检索出来的该地域、同时段标准图像(就是事先采集的该地点的没有隐蔽点时的图像)进行重合匹配差异对比;
第三步:将通过差异点比对有明显差异的图像传入放置于云服务器端的卷积神经网络代码块中,进行识别,经过多次的卷积、池化、降维直至网络收敛(卷积神经网络就是让计算机利用框架已有的算法,首先通过卷积层,池化层,降采样层提取图像的深度特征,提取到深度特征将其融合为向量,并传入函数分类器中,执行分类,最后输入分类结果),融合出特征图像后进入全连接层,将特征图像转化为向量并将输出向量继续传入函数分类器中执行分类器中的SoftMax Loss算法得到图片分类结果。(第二步将差异区域筛选后传入网络,识别装备种类)
第一步中的预处理为在无人机处理芯片中针对采集图像不同的噪声类型使用中值、高斯、均值等相应的滤波算法实现对图像噪声的去除。(步是需要分析图像直方图确定图像噪声种类,根据噪声种类不同,使用不同的滤波算法,去除噪声。常规方法。)
第二步中的重合匹配差异对比如下:将采集图片与从地理信息库中检索出的图片数据进行重合比对,并使用opencv库(一个图像处理的工具库)中的模板匹配函数matchTemplate:模板匹配是一项在一幅图像中寻找与另一幅模板图像最匹配(相似)部分的技术,自动匹配局部变量,寻找重合后的匹配点,找出匹配点后,将非匹配的区域用方框标记。
所述重合比对步骤如下:
首先使用加权平均法(将RGB彩色像素*固定加权系数)将地理信息库中检索出的标准图像和采集图像转化为灰度图,然后将两张灰度图片重叠,对比图像中的差异点。
第二步中的地理信息库的建立,地理信息库为一个图像数据库,在库中存储无人机采集的标准图像在本地的存储路径,将不同地域、不同时间条件下的图片数据分类存储到数据库中,(例如将某些地带,山区地形图通过无人机采集不同时段图像,将其存入库中,用不同英文数字编码区分)并用文件名称进行区分,方便图片检索以及对比。该地理信息库中的信息也需要利用与第一步中相同的方式进行提前预处理。
第二步中的检索方法采用差异hash算法(无),首先将图片缩小到9*8像素并转化为灰度图,后计算相邻像素之间的差异值并获取指纹,最后做出指纹对比,即计算两幅图片的汉明距离,汉明距离越大则说明图片越不一致,当距离为0时,说明完全相同。
获取指纹方式如下:如果左边像素灰度比右边高,则记录为1,否则为0。
第三步中,搭建卷积神经网络框架,并将第二步中经过标记获取的伪装地面军事目标图像,通过阈值调整、筛选,确认含有军事目标的图像后,传入在云端的卷积神经网络中进行图像特征提取,函数分类。(是将经过阈值筛选过符合条件的图像块传入网络,不符合条件的舍弃)(是多次的卷积、池化、降维之前的步骤)
第三步中所述的卷积神经网络主要由卷积层和全连接层构成,卷积层实现对图像的特征按卷积核大小来提取相应像素的图像,并在池化层中进行重新组合并将其提取到的特征进行减少参数处理,将图像缩小,来提高整体的识别时间,后经过反复卷积,池化后进入全连接层得出图像排列后的向量,将得到向量传入函数分类器进行分类,最终通过分类器输出概率识别出分类结果。分类器的作用是将特征提取后的图像分类,识别出具体的装备信息;
函数分类器为softMax损失函数,使用softMax损失函数进行函数分类,所述损失函数为卷积神经网络框架下的分类函数,经过该函数的输出结果相当于输入图像被分到每个标签的概率分布,且该函数为单调函数、即输入值越大、输出也就越大。
第三步中分类器中的SoftMax Loss算法:计算K+1类的分类Loss 函数,其中K表示K个目标类别。
一种基于深度学习的伪装军事目标识别***,其特征在于:
该***包括包括图像预处理模块、重合匹配差异对比模块和图片分类结果输出模块;
图像预处理模块将采集的地理图像进行预处理:
重合匹配差异对比模块将预处理之后的地理图像与地理信息库中检索出来的该地域、同时段标准图像进行重合匹配差异对比;
图片分类结果输出模块将通过差异点比对有明显差异的图像传入卷积神经网络代码块中,进行识别,经过多次的卷积、池化、降维直至网络收敛,融合出特征图像后进入全连接层,将特征图像转化为向量并将输出向量继续传入函数分类器中执行分类器中的SoftMax Loss算法得到图片分类结果。
优点效果:
本发明根据图像重合匹配方法,与地理信息库中图像匹配判断采集图片中是否存在伪装军事目标:
对于通过无人机高清图像采集设备采集图片,经由处理芯片进行数据预处理,并传输到本地,在地理信息库中采集过程中应包含采集地域全时段、全季节信息以实现匹配结果的准确性,先由图片内容检索从信息库中检索出模板图像,并通过图像重合匹配方法,也就是将两幅图片重合,对比差异点,将差异点标记出的结果在图片上用方框标出;
将通过差异点比对有明显差异的图像放入***中进行卷积神经网络,经过反复的卷积、池化、降维,融合出特征图像并将其放入分类器中执行算法得到图片分类结果;
在所述无人机***以及无人机高清摄像设备整合的图像数据处理芯片,通过无人机高空采集图片并整合图像数据处理芯片在采集图像后的无人机中进行预处理,利用相应的滤波算法实现对图像噪声的去除,并将处理后的图片通过搭建的卫星网络发送回地面设备。
所述地面卫星信号网络接收站、地理信息库,经过地面卫星信号网络接收站接收到的经过预处理的图像数据根据数据检索出已经构建好的地理信息库中的数据,并将一张采集图片与一张从地理信息库中检索出的图片数据进行重合比对,并使用matchTemplate函数选取局部变量,寻找重合后的匹配点,找出匹配点后,将非匹配的区域用方框标记。
云服务器、卷积神经网络,在云服务器端搭建卷积神经网络框架,并将经过标记获取的伪装地面军事目标图像,通过阈值调整筛选出确认含有军事目标的图像后,传入在云端的神经网络中进行图像特征提取,函数分类。
地理信息库的建立,地理信息库为一个图像数据库,在库中存储无人机采集的标准图像在本地的存储路径,将不同地域、不同时间条件下的图片数据分类存储到数据库中,并用文件名称进行区分,方便图片检索以及对比。
以无人机拍摄图片作为样例检索出图像数据库中相应的数据,检索算法采用差异hash算法,首先将图片缩小到9*8并转化为灰度图,后计算差异值并获取指纹,如果左边像素灰度比右边高,则记录为1,否则为0。最后做出指纹对比,即计算两幅图片的汉明距离,汉明距离越大则说明图片越不一致,当距离为0时,说明完全相同
所述卷积神经网络、所述softMax函数分类器。所述卷积神经网络主要由卷积层和全连接层构成,卷积层实现对图像的特征按卷积核大小来提取相应像素的图像,并在池化层中进行重新组合并将其提取到的特征进行减少参数处理,将图像缩小,来提高整体的识别时间,后经过反复卷积,池化后进入全连接层得出图像排列后的阵列,将其传入函数分类器进行分类,最终通过分类器输出概率识别出分类结果。
所述使用softMax损失函数进行函数分类,所述损失函数为卷积神经网络框架下的分类函数,经过该函数的输出结果相当于输入图像被分到每个标签的概率分布,且该函数为单调函数、即输入值越大、输出也就越大。
具体的说:第一方面,本发明实施例提供一种基于深度学习的对伪装地面军事目标识别的***,包括带有高清图像采集设备的长航时无人机***以及其地面控制站、地面信号接收装置、图像数据库、PC 机、服务器、卷积神经网络。
对于当前经由无人机空中采集图像由无人机附带图像处理模块进行图像预处理,利用基础算法模块去除图像噪声,并将去噪后的采集图像传入到地面接收站。传入地面站后的图像首先由***做图像内容检索即以图片为模板检索地理信息图片库中所包含的该地域标准图片,并将其提取出到***中。
将经过检索提取到的图片与采集图片输入到函数中进行重合匹配处理,通过将图片灰度化并重合,对比出图片区域,并将其使用蓝色方框标记,标记后采用阈值筛选算法,将小于阈值的方框剔除,并将最终剩余的目标按方框裁剪传入卷积神经网络中,进行军事目标分类识别,最终将识别出的结果传送到***页面显示。
第二部分,本发明实施例提供一种基于深度学习的对伪装地面军事目标识别的方法,包括:
图像采集预处理模块,将高清图像采集设备与无人机和图像处理模块相整合,在移动采集的过程中进行图像预处理,图像在经过预处理后传输到地面,省去了地面再进行预处理所花费的时间。
图像内容检索与重合匹配模块,用于在无人机采集图像回传后根据采集图像自动匹配地理信息库中的相应图像,由于地理信息库中数据量巨大,且种类复杂,故采取差异哈希算法首先将图像收缩到9*8 大小并将图片转化为256阶灰度图像,后计算差异值,该算法在相邻像素间工作,故产生8个不同差异,共8行,产生64个差异值,同时获取信息指纹,如左侧像素灰度值比右侧高则记为1,否则记0,最后进行信息指纹汉明距离对比,汉明距离越小说明图像越相似,取出经对比汉明距离最小的图像。取出后与原有标准图像做重合匹配来实现对差异区域的提取。
图像识别模块,在提取到图像的差异区域后将其传入卷积神经网络,经由反复的卷积、池化最后经由全连接层融合出图像的特征并放入函数做分类识别输出识别概率,将概率最大的项确定为最终识别结果返回到***中。
本申请的优点在于通过改进已有卷积神经网络模型,利用优化器实现网络对网络特征参数的优化提取,最大概率避免了多余参数对网络识别效率的干扰,并使用dropout技术在识别过程中,对网络结构的神经元进行随机隐藏,可以避免网络运行过程中的过度拟合,提高识别效率,并使网络更符合复杂场景目标分类任务,使用***实现整个网络的自动化运行,只需输入图像,由代码框架调用卷积神经网络结构进行识别,极大减少了人工成本,且通过计算机自动学习,与传统人工识别相比,识别效率和准确度都有了极大提升。
附图说明
为了更清楚的说明本发明***中的方案,下面对实施例所使用的附图做简单介绍,且该实例不仅限于附图。
图1为本发明实施例提供的伪装地面军事目标识别方法的流程示意图;
图2为本发明实施例提供的伪装地面军事目标识别***的结构示意图;
图3为网络下载原始图像;
图4为处理后图像;
图5为处理后对比图像;
图6为***差异对比后图像。
具体实现方式
一种基于深度学习的伪装军事目标识别方法,其特征在于:该方法的步骤如下:
第一步:将采集的地理图像进行预处理:第一步中通过无人机高清图像采集设备采集图片
第二步:将预处理之后的地理图像与地理信息库中检索出来的该地域、同时段标准图像(就是事先采集的该地点的没有隐蔽点时的图像)进行重合匹配差异对比;
第三步:将通过差异点比对有明显差异的图像传入放置于云服务器端的卷积神经网络代码块中,进行识别,经过多次的卷积、池化、降维直至网络收敛(卷积神经网络就是让计算机利用框架已有的算法,首先通过卷积层,池化层,降采样层提取图像的深度特征,提取到深度特征将其融合为向量,并传入函数分类器中,执行分类,最后输入分类结果),融合出特征图像后进入全连接层,将特征图像转化为向量并将输出向量继续传入函数分类器中执行分类器中的SoftMax Loss算法得到图片分类结果。(第二步将差异区域筛选后传入网络,识别装备种类)
第一步中的预处理为在无人机处理芯片中针对采集图像不同的噪声类型使用中值、高斯、均值等相应的滤波算法实现对图像噪声的去除。(步是需要分析图像直方图确定图像噪声种类,根据噪声种类不同,使用不同的滤波算法,去除噪声。常规方法。)
第二步中的重合匹配差异对比如下:将采集图片与从地理信息库中检索出的图片数据进行重合比对,并使用opencv库(一个图像处理的工具库)中的模板匹配函数matchTemplate:模板匹配是一项在一幅图像中寻找与另一幅模板图像最匹配(相似)部分的技术,自动匹配局部变量,寻找重合后的匹配点,找出匹配点后,将非匹配的区域用方框标记。
所述重合比对步骤如下:
首先使用加权平均法(将RGB彩色像素*固定加权系数)将地理信息库中检索出的标准图像和采集图像转化为灰度图,然后将两张灰度图片重叠,对比图像中的差异点。
第二步中的地理信息库的建立,地理信息库为一个图像数据库,在库中存储无人机采集的标准图像在本地的存储路径,将不同地域、不同时间条件下的图片数据分类存储到数据库中,(例如将某些地带,山区地形图通过无人机采集不同时段图像,将其存入库中,用不同英文数字编码区分)并用文件名称进行区分,方便图片检索以及对比。该地理信息库中的信息也需要利用与第一步中相同的方式进行提前预处理。
第二步中的检索方法采用差异hash算法(无),首先将图片缩小到9*8像素并转化为灰度图,后计算相邻像素之间的差异值并获取指纹,最后做出指纹对比,即计算两幅图片的汉明距离,汉明距离越大则说明图片越不一致,当距离为0时,说明完全相同。
获取指纹方式如下:如果左边像素灰度比右边高,则记录为1,否则为0。
第三步中,搭建卷积神经网络框架,并将第二步中经过标记获取的伪装地面军事目标图像,通过阈值调整、筛选,确认含有军事目标的图像后,传入在云端的卷积神经网络中进行图像特征提取,函数分类。(是将经过阈值筛选过符合条件的图像块传入网络,不符合条件的舍弃)(是多次的卷积、池化、降维之前的步骤)
第三步中所述的卷积神经网络主要由卷积层和全连接层构成,卷积层实现对图像的特征按卷积核大小来提取相应像素的图像,并在池化层中进行重新组合并将其提取到的特征进行减少参数处理,将图像缩小,来提高整体的识别时间,后经过反复卷积,池化后进入全连接层得出图像排列后的向量,将得到向量传入函数分类器进行分类,最终通过分类器输出概率识别出分类结果。分类器的作用是将特征提取后的图像分类,识别出具体的装备信息;
函数分类器为softMax损失函数,使用softMax损失函数进行函数分类,所述损失函数为卷积神经网络框架下的分类函数,经过该函数的输出结果相当于输入图像被分到每个标签的概率分布,且该函数为单调函数、即输入值越大、输出也就越大。
第三步中分类器中的SoftMax Loss算法:计算K+1类的分类Loss 函数,其中K表示K个目标类别。
一种基于深度学习的伪装军事目标识别***,其特征在于:
该***包括包括图像预处理模块、重合匹配差异对比模块和图片分类结果输出模块;
图像预处理模块将采集的地理图像进行预处理:
重合匹配差异对比模块将预处理之后的地理图像与地理信息库中检索出来的该地域、同时段标准图像进行重合匹配差异对比;
图片分类结果输出模块将通过差异点比对有明显差异的图像传入卷积神经网络代码块中,进行识别,经过多次的卷积、池化、降维直至网络收敛,融合出特征图像后进入全连接层,将特征图像转化为向量并将输出向量继续传入函数分类器中执行分类器中的SoftMax Loss 算法得到图片分类结果。
为使本发明实施例的目的、技术方案和优点更加清晰,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一部分实施例,而不是全部实施例。
根据待识别图像按步骤划分至少分为三个阶段:
首先通过高清图像采集设备进行图像采集,一般情况下,所采集的图像为该地域某时段俯视图像,由于采集图像的区域、时段、季节均不相同。有鉴于此,针对待识别目标,本发明实施例根据待识别目标的上述特点,建立不同地域、不同时段、不同季节的地理信息数据库,数据库中分类存放地理信息图片索引,并将图片存放于本地服务器中,当高清摄像头采集图像经预处理后回传至地面时,运用图像内容检索技术,通过对比图像汉明距离实现对图像的检索。
需要说明的是,汉明距离表示的是两个字对应位不同的向量,用 d(x,y)表示两个字x,y之间的汉明距离。对两个字符串进行异或运算,统计结果为1的个数。若得出的汉明距离越大则采集图像与原图相似度越低,汉明距离越小采集图像与原图相似度越高,且通常认为汉明距离大于10就是两张完全不同的图像。因此,通过计算汉明距离可以有效判别图像相似度,检索出需要的结果。
其次是采集图像经由图像内容检索匹配到地理信息库中标准图像,将检索到的标准图像与采集图像同时传入图像重合匹配模块中,利用图像重合匹配方法,将两幅图即检索到的标准图像与采集图像同时放入算法中,首先将两幅图转化为灰度图,并利用matchTemplate函数选取局部变量,逐一在两幅图片中选取匹配点,将非匹配的区域用方框标记并显示。
需要说明的是,在标记匹配区域后,需要进行阈值筛选操作,由于采集环境的地貌特征与标准图像可能存在差异,为了排除其他差异点对图像识别的干扰,通过阈值筛选的方式去除差异区域,即设置一个阈值范围,将不在该范围内的差异区域删除,保存大于阈值的差异区域,并将差异区域截取传入下层卷积神经网络中做图像识别分类。
最后是图像分类层,将截取出的差异图像放入网络中进行卷积神经网络识别,经过反复卷积、池化、全连接、降维提取图像特征并进行特征融合,将特征融合后的图像传入到softmax函数中做分类,最终输出图像分类结果。
如图6所示,差异对比后将进行图像阈值的筛选,将符合条件的图像块传入卷积神经网络,经过识别后输出结果。
Claims (10)
1.一种基于深度学习的伪装军事目标识别方法,其特征在于:该方法的步骤如下:
第一步:将采集的地理图像进行预处理:
第二步:将预处理之后的地理图像与地理信息库中检索出来的该地域、同时段标准图像进行重合匹配差异对比;
第三步:将通过差异点比对有明显差异的图像传入卷积神经网络代码块中,进行识别,经过多次的卷积、池化、降维直至网络收敛,融合出特征图像后进入全连接层,将特征图像转化为向量并将输出向量继续传入函数分类器中执行分类器中的SoftMax Loss算法得到图片分类结果。
2.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法,其特征在于:
包括:第一步中的预处理为处理芯片中针对采集图像不同的噪声类型利用滤波算法实现对图像噪声的去除。
3.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法,其特征在于:
第二步中的重合匹配差异对比如下:将采集图片与从地理信息库中检索出的图片数据进行重合比对,并使用opencv库中的模板匹配函数matchTemplate,自动匹配局部变量,寻找重合后的匹配点,找出匹配点后,将非匹配的区域用方框标记。
4.根据权利要求3所述的一种基于深度学习的伪装军事目标识别方法,其特征在于:
所述重合比对步骤如下:
首先使用加权平均法将地理信息库中检索出的标准图像和采集图像转化为灰度图,然后将两张灰度图片重叠,对比图像中的差异点。
5.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法,其特征在于:第二步中的检索方法采用差异hash算法(无),首先将图片缩小到9*8像素并转化为灰度图,后计算相邻像素之间的差异值并获取指纹,最后做出指纹对比,即计算两幅图片的汉明距离,汉明距离越大则说明图片越不一致,当距离为0时,说明完全相同。
6.根据权利要求5所述的一种基于深度学习的伪装军事目标识别方法,其特征在于:获取指纹方式如下:如果左边像素灰度比右边高,则记录为1,否则为0。
7.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法,其特征在于:第三步中,搭建卷积神经网络框架,并将第二步中经过标记获取的伪装地面军事目标图像,通过阈值调整、筛选,确认含有军事目标的图像后,传入在云端的卷积神经网络中进行图像特征提取,函数分类。
8.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法,其特征在于:第三步中所述的卷积神经网络主要由卷积层和全连接层构成,卷积层实现对图像的特征按卷积核大小来提取相应像素的图像,并在池化层中进行重新组合并将其提取到的特征进行减少参数处理,将图像缩小,后经过反复卷积,池化后进入全连接层得出图像排列后的向量,将得到向量传入函数分类器进行分类,最终通过分类器输出概率识别出分类结果。
9.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法,其特征在于:第三步中分类器中的SoftMax Loss算法:计算K+1类的分类Loss函数,其中K表示K个目标类别。
10.一种基于深度学习的伪装军事目标识别***,其特征在于:
该***包括包括图像预处理模块、重合匹配差异对比模块和图片分类结果输出模块;
图像预处理模块将采集的地理图像进行预处理:
重合匹配差异对比模块将预处理之后的地理图像与地理信息库中检索出来的该地域、同时段标准图像进行重合匹配差异对比;
图片分类结果输出模块将通过差异点比对有明显差异的图像传入卷积神经网络代码块中,进行识别,经过多次的卷积、池化、降维直至网络收敛,融合出特征图像后进入全连接层,将特征图像转化为向量并将输出向量继续传入函数分类器中执行分类器中的SoftMaxLoss算法得到图片分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910830678.5A CN110738100A (zh) | 2019-09-04 | 2019-09-04 | 一种基于深度学习的伪装军事目标识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910830678.5A CN110738100A (zh) | 2019-09-04 | 2019-09-04 | 一种基于深度学习的伪装军事目标识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110738100A true CN110738100A (zh) | 2020-01-31 |
Family
ID=69267469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910830678.5A Pending CN110738100A (zh) | 2019-09-04 | 2019-09-04 | 一种基于深度学习的伪装军事目标识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738100A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015937A (zh) * | 2020-08-31 | 2020-12-01 | 核工业北京地质研究院 | 一种图片地理定位方法及*** |
CN112529897A (zh) * | 2020-12-24 | 2021-03-19 | 上海商汤智能科技有限公司 | 一种图像检测方法、装置、计算机设备及存储介质 |
CN112801169A (zh) * | 2021-01-25 | 2021-05-14 | 中国人民解放军陆军工程大学 | 一种基于改进yolo算法的伪装目标检测方法 |
CN113554592A (zh) * | 2021-06-10 | 2021-10-26 | 苏州芯联成软件有限公司 | 一种图像差异检测方法和装置 |
CN114299108A (zh) * | 2021-11-19 | 2022-04-08 | 湖北航天飞行器研究所 | 一种基于光流跟踪的野外伪装军事目标识别方法 |
CN116109854A (zh) * | 2021-11-09 | 2023-05-12 | 合肥本源量子计算科技有限责任公司 | 军事武器装备类别确定方法、装置、介质及电子装置 |
CN116776350A (zh) * | 2023-06-15 | 2023-09-19 | 自然资源部地图技术审查中心 | 电子地图的地理信息安全保障方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699691A (zh) * | 2014-01-10 | 2014-04-02 | 五八同城信息技术有限公司 | 生成图像指纹及基于此进行相似图像检索的方法 |
CN107578432A (zh) * | 2017-08-16 | 2018-01-12 | 南京航空航天大学 | 融合可见光与红外两波段图像目标特征的目标识别方法 |
US20180276528A1 (en) * | 2015-12-03 | 2018-09-27 | Sun Yat-Sen University | Image Retrieval Method Based on Variable-Length Deep Hash Learning |
-
2019
- 2019-09-04 CN CN201910830678.5A patent/CN110738100A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699691A (zh) * | 2014-01-10 | 2014-04-02 | 五八同城信息技术有限公司 | 生成图像指纹及基于此进行相似图像检索的方法 |
US20180276528A1 (en) * | 2015-12-03 | 2018-09-27 | Sun Yat-Sen University | Image Retrieval Method Based on Variable-Length Deep Hash Learning |
CN107578432A (zh) * | 2017-08-16 | 2018-01-12 | 南京航空航天大学 | 融合可见光与红外两波段图像目标特征的目标识别方法 |
Non-Patent Citations (2)
Title |
---|
袁秋壮 等: "基于深度学习神经网络的SAR星上目标识别***研究" * |
陈鑫镖: "遥感影像变化检测技术发展综述" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015937A (zh) * | 2020-08-31 | 2020-12-01 | 核工业北京地质研究院 | 一种图片地理定位方法及*** |
CN112015937B (zh) * | 2020-08-31 | 2024-01-19 | 核工业北京地质研究院 | 一种图片地理定位方法及*** |
CN112529897A (zh) * | 2020-12-24 | 2021-03-19 | 上海商汤智能科技有限公司 | 一种图像检测方法、装置、计算机设备及存储介质 |
CN112801169A (zh) * | 2021-01-25 | 2021-05-14 | 中国人民解放军陆军工程大学 | 一种基于改进yolo算法的伪装目标检测方法 |
CN112801169B (zh) * | 2021-01-25 | 2024-02-06 | 中国人民解放军陆军工程大学 | 一种基于改进yolo算法的伪装目标检测方法、***、装置及存储介质 |
CN113554592A (zh) * | 2021-06-10 | 2021-10-26 | 苏州芯联成软件有限公司 | 一种图像差异检测方法和装置 |
CN116109854A (zh) * | 2021-11-09 | 2023-05-12 | 合肥本源量子计算科技有限责任公司 | 军事武器装备类别确定方法、装置、介质及电子装置 |
CN114299108A (zh) * | 2021-11-19 | 2022-04-08 | 湖北航天飞行器研究所 | 一种基于光流跟踪的野外伪装军事目标识别方法 |
CN116776350A (zh) * | 2023-06-15 | 2023-09-19 | 自然资源部地图技术审查中心 | 电子地图的地理信息安全保障方法和装置 |
CN116776350B (zh) * | 2023-06-15 | 2024-01-26 | 自然资源部地图技术审查中心 | 电子地图的地理信息安全保障方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738100A (zh) | 一种基于深度学习的伪装军事目标识别方法及*** | |
CN109558823B (zh) | 一种以图搜图的车辆识别方法及*** | |
Chen et al. | Vehicle detection in high-resolution aerial images based on fast sparse representation classification and multiorder feature | |
Föckler et al. | Phoneguide: museum guidance supported by on-device object recognition on mobile phones | |
An et al. | Scene learning for cloud detection on remote-sensing images | |
CN111767882A (zh) | 一种基于改进yolo模型的多模态行人检测方法 | |
WO2021146700A1 (en) | Systems for multiclass object detection and alerting and methods therefor | |
CN106650690A (zh) | 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法 | |
CN113361495A (zh) | 人脸图像相似度的计算方法、装置、设备及存储介质 | |
CN112633297A (zh) | 目标对象的识别方法、装置、存储介质以及电子装置 | |
CN113808166B (zh) | 基于聚类差分和深度孪生卷积神经网络的单目标跟踪方法 | |
CN110334628B (zh) | 一种基于结构化随机森林的室外单目图像深度估计方法 | |
CN107578003B (zh) | 一种基于地理标记图像的遥感图像迁移学习方法 | |
Bhagwat et al. | A novel multilabel classification of remote sensing images using XGBoost | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及*** | |
CN116524725B (zh) | 一种智能驾驶的交通标志图像数据识别*** | |
CN112418262A (zh) | 车辆再识别的方法、客户端及*** | |
CN112001280B (zh) | 一种实时、可在线优化的人脸识别***和方法 | |
La Rosa et al. | Fcrn-based multi-task learning for automatic citrus tree detection from uav images | |
CN111291712B (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
Pinthong et al. | The License Plate Recognition system for tracking stolen vehicles | |
CN112560902A (zh) | 基于书脊视觉信息的图书识别方法及*** | |
CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和*** | |
CN110704667A (zh) | 一种基于语义信息的快速相似图检测算法 | |
CN114821500A (zh) | 基于点云的多源特征融合的重定位方法及装置 |
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 |