[发明专利]基于深度卷积神经网络的典型红外目标分类方法

说明书

本发明公开了基于深度卷积神经网络的典型红外目标分类方法。传统神经网络因为结构比较简单，属于典型的浅层模型，很难获得更为细致有效的识别特征，在红外图像识别问题中性能欠佳。本发明方法首先获取不同距离和角度以及有无遮挡物情况下两种车辆模型的红外图像样本作为数据集，然后将数据集分为不重叠的训练集和测试集，并对数据集样本进行预处理，再通过VGG16深度神经网络模型获取红外目标图像特征，最后将提取出的特征信息输入到归一化函数softmax进行分类。本发明方法可以减小红外目标图像特征提取的难度，降低模型的复杂程度，实现良好的分类效果和实时计算效率。

技术领域

本发明属于计算机技术领域，尤其是红外图像识别技术领域，具体涉及一种基于深度卷积神经网络的典型红外目标分类方法。

背景技术

在可见光比较弱的条件下，目标很难成像。例如光线不足或者黑暗条件下，目标可见光图像难以获取，而红外图像是依据目标的热辐射产生的，不依赖可见光，在光线不足条件下具有优异的成像能力。因此，红外成像技术广泛应用于导弹红外制导、航空航天设备检测、森林火源检测与定位、夜间目标搜索等领域。现有的红外图像识别分类算法，主要采用传统的神经网络，由于传统神经网络因为结构比较简单，属于典型的浅层模型，很难获得更为细致有效的识别特征，在红外图像识别问题中性能欠佳。因此，深度卷积神经网络成为图像识别的发展方向。而最初的神经网络训练时，由于训练数据不足，计算能力欠缺，而高性能的卷积神经网络训练，容易导致“过拟合”问题。近年来，计算能力的提高，特别是以GPU为代表的高性能计算发展迅速，使得数据标记过程更为容易，网络模型的训练更为有效，实现实时的计算效率。

发明内容

本发明针对现有技术的不足，提供一种基于深度卷积神经网络的典型红外目标分类方法。

本发明方法具体是：

步骤(1).数据集的获取及预处理：

通过红外热像仪采集得到目标的红外图像，所述的红外图像包括不同距离和角度以及有无遮挡物情况下红外传感器获取的目标不同红外图像样本；将获取的红外图像样本归为数据集X，X＝{(x_i,y_i)/i∈Λ}；其中，x_i表示第i个红外图像样本输入，y_i表示x_i对应的真实标记，y_i∈(1,2,…,C)，C为红外目标图像的类别数，Λ是样本的索引集合；

将数据集X分为不重叠的训练集和测试集，其中训练集占数据集X的85～95﹪，其他为测试集；将数据集X图像尺寸裁剪为VGG16深度神经网络模型的输入图像尺寸(224×224)，并进行数据在线增强操作。

步骤(2).建立深度卷积神经网络模型获取红外目标图像特征：

选用的深度卷积神经网络模型为含13层卷积层的VGG16深度神经网络模型，每层卷积核个数分别为2、2、3、3、3，卷积核尺寸为(3.3),延拓的尺寸与步长为(1,1)。

VGG16深度神经网络模型结构在训练过程中选择批大小为16，随机失活比例为0.5，迭代次数为40000，起始学习速率为0.001，每隔10000次降低为原来的0.1倍，共训练2000次。动量常数和权重正则系数分别为0.9和0.000005。

步骤(2.1)卷积操作；

将训练集红外图像样本输入VGG16深度神经网络模型，H、W、D分别表示高度、宽度、通道数，表示属于实数域；x^l为红外图像样本输入x_i进入卷积层l的张量，卷积核卷积操作如下：