[发明专利]一种基于卷积神经网络的人和车辆红外热图像识别方法

权利要求书

1.一种基于卷积神经网络的人和车辆红外热图像识别方法，其特征在于，包括以下步骤：

S1、建立图像数据集，并将其划分为训练集和测试集；

S2、对训练集进行预处理，得到增广训练集；

S3、基于深度卷积神经网络DenseNet-201，建立红外热图像人和车辆识别网络模型W-DenseNet；

S4、根据增广训练集和测试集，对红外热图像人和车辆识别网络模型W-DenseNet进行训练，得到识别度最高的红外热图像人和车辆识别网络模型W-DenseNet；

S5、采用识别度最高的红外热图像人和车辆识别网络模型W-DenseNet对目标图像进行处理，得到目标的类别；

所述步骤S4中红外热图像人和车辆识别网络模型W-DenseNet包括：1个输入层模块，4个卷积层模块，3个过渡层模块和1个全连接分类层模块；

输入层模块由一个7×7的卷积层和一个3×3的最大池化层相继连接组成，二者步长都为2；

所述每个卷积层模块由多个带权重参数模块的瓶颈层组成，权重参数模块连接在每个瓶颈层之前，是一组初始化为1，数量等于该层瓶颈层输入特征图通道数，并乘在相应输入特征图通道上的可学习参数；每个瓶颈层由1×1的卷积层和3×3的卷积层交替连接构成的组合结构，卷积步长都为1，每个瓶颈层输出32个特征图，输入为经权重参数模块加权的在该瓶颈层之前的所有瓶颈层输出特征图的集合；所述4个卷积层模块包含的瓶颈层数量依次为6、12、48和32。

2.根据权利要求1所述的基于卷积神经网络的人和车辆红外热图像识别方法，其特征在于，所述步骤S2中训练集进行预处理的过程包括：左右翻转操作、对比度增强操作和亮度增强操作。

3.根据权利要求1所述的基于卷积神经网络的人和车辆红外热图像识别方法，其特征在于，所述步骤S3具体为：在深度卷积神经网络DenseNet-201结构中的每个瓶颈层前增加权重参数学习模块，建立红外热图像人和车辆识别网络模型W-DenseNet。

4.根据权利要求3所述的基于卷积神经网络的人和车辆红外热图像识别方法，其特征在于，所述权重参数学习模块的输出数据与输入数据的关系表达式为：

其中，X′为输出数据，为输入数据，W_i为第i个权重参数，c为输入数据的通道数量，c_i为瓶颈层输入特征图的第i个通道。

5.根据权利要求1所述的基于卷积神经网络的人和车辆红外热图像识别方法，其特征在于，所述过渡层模块由步长为1的1×1的卷积层和步长为2的2×2的平均池化层组成，通过1×1的卷积层的将每一个层卷积模块输出的通道数减半，池化层将特征图进行分辨率维度降维，连接在两个相邻卷积层模块之间。

6.根据权利要求1所述的基于卷积神经网络的人和车辆红外热图像识别方法，其特征在于，所述全连接分类层模块由全局平均池化层和全连接层组成。

7.根据权利要求5所述的基于卷积神经网络的人和车辆红外热图像识别方法，其特征在于，所述卷积层都由卷积、批归一化和ReLU激活三个操作依次组成。

8.根据权利要求1所述的基于卷积神经网络的人和车辆红外热图像识别方法，其特征在于，所述步骤S4具体为：根据增广训练集，采用优化器对红外热图像人和车辆识别网络模型W-DenseNet进行训练，在所有增广训练集参与一次训练后，采用测试集对车辆识别网络模型W-DenseNet进行评估，经多次迭代训练，得到识别度最高的红外热图像人和车辆识别网络模型W-DenseNet。