[发明专利]一种层内共享参数CNN的无人机动态图像识别系统与方法

说明书

本发明公开了一种层内共享参数CNN的无人机动态图像识别系统与方法，包括：无人机获取原始图像；用M*M的区域在原始图像上进行数据选择，形成二维数据；将二维数据输入到CNN中的卷积层及池化层，产生新的二维数据；将以上二维数据，采用并行的瓶颈连接结构在网络中传输，同时共享层内参数，丢弃最多50％参数，随后将所有瓶颈连接的输出求和，获得二维数据，重复进行至少2次数据传输，将二维数据传送到CNN中的全连接层，并将上述二维数据转化成一个一维向量数据；将一维向量数据输入到系统，获得识别的图像。本发明的目的在于提出一种并行CNN架构，共享同层参数，减少传输参数量，从而提高图像传输速度与识别的准确率。

技术领域

本发明涉及图像识别的领域，特别是指一种层内共享参数CNN的无人机动态图像识别系统与方法。

背景技术

由于计算机技术和信息技术的不断发展，图像识别技术的使用领域越来越广泛：如人脸的识别、手写汉字的识别、手势的识别、机器人视觉等等，并且随着实践活动社会化的需要，需要分类识别的事物种类越来越丰富，而且被识别对象的内容也越来越复杂。例如，通过无人机在火灾现场，进行火焰变化的实时图像传输，过火面积以及火焰大小，从图像分析出火灾趋势，人员安全救助范围等；再如水灾，山洪，地震等多种自然或突发灾难现场，需要通过无人机传输图像，帮助救援人员对灾情进行判断，将损失降低；通过对庄稼的颜色和形态长势判断何时需要浇水、施肥等等。总而言之，图像识别技术不仅在农业、工业、医学和高科技产业等各个领域发挥着非常重要的作用，并且已经越来越多地渗透到了我们的日常生活中。好的识别技术是关键所在，因此，怎么样提高识别率意义重大，而涉及到人员及财产安全的无人机动态图像识别更是关乎民生的大事。

图像数据高效传输也日益被广泛重视。自Alex在2012年提出的AlexNet网络结构模型，引爆了神经网络的应用热潮。CNN(CNN，Convolutional Neural Network，卷积神经网络)架构应用越来越深。与基本的神经网络相比，CNN结构中层数的增加带来性能提升，接踵而来的是退化现象和参数量过大的问题。在实际应用中，存在数据传输量大，传输速度缓慢，数据丢失，图像失真的现象。

无人机机载芯片小，计算处理能力不高，改进数据传输方式，提高数据传输速度和图像识别率成为需要改进的地方。

发明内容

有鉴于此，本发明的目的在于提出一种层内共享参数CNN的无人机动态图像识别系统与方法。

基于上述目的，本发明提供了一种层内共享参数CNN的无人机动态图像识别方法，包括：

通过无人机获取原始图像，用一个M*M的一个区域在所述原始图像上进行数据选择，形成二维数据；

通过CNN中的第一个卷积层，获取所述二维数据中的每个像素位置的值，形成第二批二维数据；

通过CNN中的第一个池化层，用滑动窗的方式从所述第二批二维数据中逐个提取最大数值，形成第三批二维数据；

使所述第三批二维数据，通过CNN中的至少两个并行的瓶颈连接结构，每个所述瓶颈连接结构，丢弃最多50％参数，并将剩余参数共享，将所有所述瓶颈连接结构的输出求和，获得第四批二维数据，重复本步所述至少两次，获得至少两个第四批二维数据；

通过一个全连接层，将获得的至少两个所述第四批二维数据整合为一个一维向量数据；

根据所述一维向量数据，输出识别结果。

在实施方式中，所述M至少是2像素,M的值为224像素。

卷积神经网的第一个卷积层，卷积层包括至少两个卷积核，所述卷积核的尺寸为N*N，N至少为2像素，N的值为7像素；卷积核个数为64个。

在实施方式中，CNN的网络结构中采取K个并行瓶颈连接结构，K取值为2的n次方，n至少为1，K的值为8。