[发明专利]一种基于微波视觉的目标分类方法

说明书

本发明公开了一种基于微波视觉的目标分类方法。本发明步骤如下:1、利用微波发射和接收天线获取电磁散射场数据并进行预处理。2、构建复数卷积神经网络实现目标分类，该网络包括：复数卷积层、复数批归一化层和复数激活层。3、在复数卷积神经网络中引入了注意力机制模块。4、将步骤1中获取的电磁散射场数据作为训练数据，输入到经过步骤2和3搭建的网络中，通过反向传播算法训练网络参数，直至整个网络模型收敛。本发明设计了专门的带有注意力机制的复数卷积神经网络，其学习效果是优于实数卷积神经网络的。同时，使用这种基于微波视觉特征的目标分类方法能在特定困难场景下无法应用RGB图像时，仍能有效进行目标分类。

技术领域

本发明涉及光照条件不佳或目标被遮挡情况下、利用微波视觉中的电磁散射场数据进行目标分类领域，尤其涉及一种基于微波视觉的目标分类方法，一种基于带有注意力机制的复数卷积神经网络的分类方法。

背景技术

目标分类任务是计算机视觉领域内的一个核心问题，其主要目的是根据各数据中所反映的不同特征，把不同类别的目标区分开来，正确识别目标是实现机器智能化的关键任务。近年来，随着深度学习技术的发展，目标分类任务已经取得了显著的进展。然而，当前的目标分类技术大多都是基于RGB图像的机器视觉特征下的。但在一些特备困难场景下，如光照条件差或目标被遮挡时，是难以获取到令人满意的RGB图像数据甚至根本无法获取的。

为了解决这些情况下的目标分类任务，我们提出可以利用电磁散射场(Electromagnetic Scattered Field)数据基于微波视觉特征来进行该任务。随着近年来无线通信系统的高速发展，电磁波传感器被越来越多地应用于各种任务。与常见的RGB图像相比，电磁波传感器所获得的图像——电磁波图像具有两个明显优势：一、它不受光照条件的影响；二、它对于拍摄角度也具有更好的鲁棒性。另外，值得注意的一点是，电磁波图像可以更容易地处理图像尺度问题。此外，在数据的存储上，电磁波图像也具有优势。基于以上的这些优点，研究者们将电磁波应用到了诸如物体感知、目标识别、目标重建等任务中。最近也有一些研究人员将电磁波应用于手势识别任务中，只是使用的还是传统的卷积神经网络。

我们所使用的散射场数据与一般的RGB图像数据不同，它是复数形式的。针对这种形式的数据，我们提出了一个带有注意力机制的端到端的复数卷积神经网络来更好地学习其特征，从而进行目标分类。相较于之前研究人员所使用的实数的卷积神经网络，复数卷积神经网络考虑到了散射场数据实部与虚部之间的交互，使得网络能学习到更好的微波视觉特征。此外，在对图像中的目标进行识别时，对关键位置的检测是非常重要的，因此我们引入了注意力机制来实现关键位置的检测。

在一些困难场景下，难以获取甚至根本无法获取RGB图像数据，此时电磁散射场数据的微波视觉特征对于图像分类任务具有其优越性，这对特定场景下的目标分类任务提供了一种新的模态特征数据。我们针对散射场数据所提出的带有注意力机制的复数卷积神经网络能更好地学习微波视觉特征，提升目标分类任务的效果。该复数卷积神经网络更适用于散射场数据的微波视觉特征提取和学习，具有创新性和适用性。

发明内容

本发明提供了一种基于微波视觉的目标分类方法。本发明将电磁散射场数据的微波视觉特征应用于特定困难场景下的目标分类，完成了一个端到端的带有注意力机制的复数卷积神经网络模型，该模型能更好地学习复数形式的散射场数据的微波视觉特征，同时注意力机制能实现目标关键位置的检测。在特定的困难场景下，相较于学习RGB图像的机器视觉特征，该模型能充分学习电磁散射场数据的微波视觉特征，从而取得了更好的目标分类效果。同时，带有注意力机制的复数卷积神经网络对于散射场数据微波视觉特征的提取效果是优于实数卷积神经网络的。

一种基于微波视觉的目标分类方法，其步骤如下：

步骤(1)、利用微波发射天线和接收天线获取电磁散射场数据并进行预处理。

步骤(2)、构建复数卷积神经网络实现目标分类，该网络包括：复数卷积层、复数批归一化层和复数激活层。