[发明专利]基于InceptionV3网络的被遮挡目标识别方法

说明书

本发明针对云雾遮挡问题，提出一种改进InceptionV3网络模型InceptionV3‑FC的遥感图像舰船目标识别方法。首先，InceptionV3‑FC通过引入一层全连接层用来学习新的目标函数，用该目标函数对清晰样本和遮挡样本进行训练；其次，通过目标函数的约束项对清晰样本以及遮挡样本的特征进行约束，进而使得训练的遮挡样本和清晰样本的特征映射彼此接近，共享它们的特征，提高被遮挡舰船目标识别的鲁棒性。

技术领域：

本发明是光学遥感舰船图像中遮挡目标的识别领域，具体地说，是一种基于InceptionV3网络的被遮挡目标识别方法。

背景技术：

遥感图像是利用传感器获得的反应各种地表信息的综合影像，通过大面积的采集遥感数据，不光可以获得有用的物理地理信息，也可以为其他相关学科提供一些有用的基础信息。其中，遥感图像舰船目标识别是目前研究的重要课题之一。

舰船目标在传统模式识别的方法中，通常多提取舰船图像的结构形状，如船只主要结构的位置、船只长度、面积等特征，以及利用矩不变性等方法将空间矩作为特征表征图；或者为了不丢失图像的特征细节，将全部像素作为特征送入分类器训练。但上述方法中，有的是人工设计不能保证提取有效或重要的特征，有的过于繁琐会带来大量的冗余信息。

卷积神经网络的快速发展在一定程度上解决了上述问题，并且能够自动提取图像更深层的特征。比如2012年阿莱克斯·克里泽夫斯基用AlexNet模型在ImageNet大规模视觉识别挑战竞赛中夺得桂冠，效果大幅度超过传统方法。2014年，谷歌提出的GoogLeNet获得ImageNet大规模视觉识别挑战竞赛冠军，top-5错误率为6.7％，并且GoogLeNet网络的Inception结构经历了V1、V2、V3、V4等多个版本的发展，不断的趋于完善，top-5错误率进一步降低。深度学习在目标识别领域快速发展并取得了一定的成果。但是由于海面气象环境复杂，采集的图像往往不是理想图像，如云雾遮挡就是海面环境中常遇到的情况之一，被云雾的遮挡的舰船目标会损失一定的特征，进而影响后续舰船目标的识别率，甚至误判。如何改善云雾遮挡对提取舰船特征的影响，以及提高舰船目标的识别率是目前舰船识别领域需要解决的问题。

发明内容：

本发明的目的是提出一种基于卷积神经网络的云雾遮挡舰船目标识别算法，用于改善云雾遮挡等自然现象导致遥感图像中舰船目标识别率低、鲁棒性差等问题。具体技术方案如下：

在InceptionV3网络模型的基础上，本发明提出一种InceptionV3-FC网络模型用来识别云雾遮挡的舰船目标。该模型通过引入一层全连接层用来学习新的目标函数，用该目标函数对清晰样本和遮挡样本进行训练，通过目标函数的约束项对清晰样本以及遮挡样本的特征进行约束，进而使得训练的遮挡样本和清晰样本的特征映射彼此接近，共享它们的特征，提高被遮挡舰船目标识别的鲁棒性。实现过程包括以下步骤：

1.通过将样本图片送入网络模型，通过卷积层和池化层实现图片数据的尺寸压缩，以及对图片特征进行抽象化处理。

2.将数据特征送入到Inception模块将其空间结构简化，并将空间信息转化为高阶抽象的特征信息，通过全局平均池化变成线性特征。

3.线性层作为全连接层的输入，通过特征约束，然后送入Softmax层完成识别预测。该模型通过学习新的目标函数，有效的将清晰样本以及遮挡样本特征约束到一起，从而解决由于云雾遮挡造成特征缺失，使得识别率下降的问题。

基于InceptionV3网络的被遮挡目标识别方法的具体实施方式包括以下步骤：

步骤一：建立InceptionV3-FC网络结构；