[发明专利]基于DCT-CNN模型的无人机着陆地貌图像分类方法

说明书

本发明公开了基于DCT‑CNN模型的无人机着陆地貌图像分类方法，包括以下步骤：获取无人机着陆地貌图像的训练图像集和测试图像集；对无人机着陆地貌图像DCT变换，并进行DCT系数的筛选；针对无人机着陆地貌图像场景复杂、信息丰富的特点构建DCT‑CNN网络模型；将训练集的DCT系数输入到改进的DCT‑CNN模型中训练，并对网络进行参数更新，直到损失函数收敛于一个较小的值，训练结束；将训练图像特征集作为训练样本对SVM分类器进行训练；输入测试集，利用训练好的模型对测试图像进行逐层学习，最后将得到的特征向量输入到训练好的SVM分类器中进行分类，得到分类结果。本发明降低了数据冗余，使得训练时间大幅度减少，有效的提高了无人机着陆地貌图像的分类准确率。

技术领域

本发明涉及一种无人机着陆地貌图像分类方法，属于模式识别与智能计算、图像处理技术领域，特别涉及一种基于DCT-CNN模型的无人机着陆地貌图像分类方法。

背景技术

随着技术的进步，无人机(unmanned aerial vehicle，UAV)被广泛的应用到军事侦察、目标攻击、地质勘探、自然灾害监测、交通监控等领域。无人机飞行环境复杂多样，因此快速有效的着陆地貌自动识别成了无人机实现自主导航和探索环境的先决条件，能为飞行任务提供安全保障。目前无人机图像分类大多是针对自然场景的，很少有针对场景复杂、信息丰富的无人机着陆地貌图像分类的算法，并且传统的图像分类方法分类率较低。通过视觉技术实现无人机着陆地貌的自动识别和分类，降低了无人机对外界信息的依赖性，能提高无人机着陆的自主性。

近年来，深度学习思想的提出，为机器学习的带来了新的研究领域。卷积神经网络(Convolution neural network，CNN)是通过卷积运算由浅层到深层的提取图像不同层次的特征，从低层的模糊、简单的特征到高层逐渐抽象、准确的特征，提取得到高级语义特征,与传统图像分类方法相比在图像分类方面具有较高的准确率。

现有的方法存在的不足：一方面：无人机在未知区域着陆时，地貌上的障碍物与周围环境差异一般不明显，地貌图像大多具有场景复杂、信息丰富的特点，因此需要多层的CNN模型对图像进行逐层特征学习以及较准确的高层语义特征来表达；另一方面：CNN模型层数较多、结构复杂，在CNN模型训练时，将较大维数的图像直接输入会使训练模型的时间大幅度增加，训练参数增加导致调参困难，训练时间过长还会导致深层的特征不容易被学习，丢失大部分深层特征信息。

发明内容

本发明的目的旨在解决上述技术缺陷,提高无人机着陆地貌图像的分类准确率。

为达到上述目的，本发明采用的技术方案为基于DCT-CNN模型的无人机着陆地貌图像分类方法，该方法包括以下步骤：

S1：获取无人机着陆地貌图像，图像分为训练图像集和测试图像集；

S2：对无人机着陆地貌图像DCT变换，并进行DCT系数的筛选，具体如下：

S2.1：首先对无人机着陆地貌图像进行8×8分块，对无人机着陆地貌进行分块后形成子块，对每个子块分别进行DCT变换；

S2.2：DCT变换后得到8×8的系数矩阵，对DCT系数进行选择，按照ZigZag扫描的方式保留矩阵左上角的10个低频系数；

S2.3：对剩余的54个系数采用系数判别法进行系数选择。提出的系数判别法是：首先求每一个子块的平均值，并设定平均值为每块的系数阈值，然后对每个子块中剩余的54个系数进行选择，如果系数小于设定的阈值则该系数置0，大于阈值则保留该系数；

S2.4：把每幅图像筛选的DCT系数进行整合得到DCT系数矩阵；

S3：针对无人机着陆地貌图像场景复杂、信息丰富的特点构建了一个14层用于无人机着陆地貌图像分类的DCT-CNN网络结构，包括一个输入层、五个卷积层、三个池化层，四个ReLU层和一个输出层，具体如下：