[发明专利]一种基于卷积神经网络的目标识别方法及系统

说明书

本发明实施例提供一种基于卷积神经网络的目标识别方法及系统，包括：获取待测目标的红外线图像、待测目标的可见光图像和待测目标的红外线与可见光融合图像；通过训练后的最优卷积神经网络，根据以下三种图像中的一种或多种识别待测目标，以下三种包括所述红外线图像、可见光图像和所述红外线与可见光融合图像。本发明实施例提供一种基于卷积神经网络的目标识别方法及系统，利用非下采样Contourlet变换方法实现红外线与可见光图像融合，融合图像与原始可见光图像及红外线图像一起经过图像预处理形成训练样本，采用深度学习中卷积神经网络进行有监督特征学习，形成训练模型，实现对红外线图像及可见光图像中目标物体的识别和检测。

技术领域

本发明实施例涉及目标识别技术领域，尤其涉及一种基于卷积神经网络的目标识别方法及系统。

背景技术

红外线图像能够实现全天候全天时成像，具有对光线强弱不敏感、穿透性强等优点，即使在雨、雾、霾等遮挡物情况下对红外线图像像影响较低，红外线图像的缺点包括：边缘模糊，图片细节不清，图像是单通道图像，只有亮度信息，对环境温度变化敏感，对玻璃具有非穿透性。

而可见光图像具有成像轮廓清晰、细节信息丰富、图像为三通道RGB图像、能反映亮度及颜色信息等优点，但是可见光图像质量很大程度上受光照条件影响，并且易受空气悬浮物遮挡(雨、雾、霾等)及气候变化影响。

通过以上优缺点对比，可以发现红外线图像与可见光图像有着互补的特点。在可见光下获得的图像和近红外线下获得的图像反映的是图像的两种不同模态下的特质，提取出来的特征会存在差异性，如果同时使用会起到增强互补的作用，红外线和可见光融合可以提高图像分辨率，增强图像的光谱信息，弥补单一传感器针对特定场景表达的不全面，实现对场景全面清晰准确的表达。

红外线与可见光图像数据的融合主要包括四个层次：即传感器层或像素层融合、特征层融合、得分层融合和决策层融合，像素层融合指的是在最低水平参照原始图像组合成单幅图像的融合。较高水平如特征层或决策层级的融合是将特征描述符和概率变量进行组合。然而，像素层融合仍然是大多数图像融合的常规应用策略，因为它具有与原始测量直接参与融合过程的主要优点。另外，像素层融合算法计算效率高且易于实现。像素层融合方法包括拉普拉斯金字塔(LP)方法、离散小波变换(DWT)、双树复小波变换(DTDWT)、曲线波变换(CVT)与非下采样Contourlet变换(NSCT)、多尺度变换(MST)等，像素级融合的先决条件是多传感器(光学、红外传感器)的图像必须在像素的基础上正确地配准。

因此，亟需一种针对红外线与可见光融合图像的目标识别方法。

发明内容

本发明实施例提供一种基于卷积神经网络的目标识别方法及系统，用以解决现有技术中单独的红外线图像和单独的可见光图像容易受到外界环境的干扰，导致图像中的目标物清楚，实现对红外线和可见光融合图像的目标识别。

本发明实施例提供一种基于卷积神经网络的目标识别方法，包括：

S1，获取待测目标的红外线图像、所述待测目标的可见光图像和所述待测目标的红外线与可见光融合图像；

S2，通过训练后的最优卷积神经网络，根据以下三种图像中的一种或多种识别所述待测目标，所述以下三种包括所述红外线图像、所述可见光图像和所述红外线与可见光融合图像。

本发明实施例提供一种基于卷积神经网络的目标识别系统，包括：

融合模块，用于获取待测目标的红外线图像、所述待测目标的可见光图像和所述待测目标的红外线与可见光融合图像；

识别模块，用于通过训练后的最优卷积神经网络，根据以下三种图像中的一种或多种识别所述待测目标，所述以下三种包括所述红外线图像、所述可见光图像和所述红外线与可见光融合图像。

本发明实施例提供一种基于卷积神经网络的目标识别设备，包括：