[发明专利]基于深度学习和RPCA的太赫兹图像目标识别方法

摘要

一种基于深度学习和RPCA太赫兹图像的目标识别方法。其步骤为：(1)使用稳健主成分分析RPCA方法去除背景噪声；(2)使用形状先验知识缩小兴趣目标区域；(3)生成太赫兹图像数据集；(4)训练深度学习网络Faster‑RCNN；(5)使用深度学习网络Faster‑RCNN进行目标识别。本发明使用稳健主成分分析RPCA方法去除太赫兹图像背景噪声干扰，利用形状先验知识缩小兴趣区域，使用深度学习网络Faster‑RCNN对兴趣区域进行目标识别。本发明使用了稳健主成分分析RPCA和形状先验知识，克服了背景噪声的影响，能极快的准确的检测到太赫兹图像中的目标。

主权项

1.一种基于深度学习和稳健主成分分析RPCA的太赫兹图像目标识别方法，其特征在于，使用稳健主成分分析RPCA方法去除背景噪声，使用形状先验知识缩小兴趣目标区域，利用深度学习网络识别太赫兹图像目标；该方法具体步骤包括如下：(1)使用稳健主成分分析RPCA方法去除背景噪声：(1a)依次输入由相同角度获取的6张大小为200×380×3像素的太赫兹图像，将每张图像拉为列向量，按照图像输入次序组成矩阵XI；(1b)对矩阵XI在满足约束条件||XI‑LI‑SI||F＜d的条件下，使目标函数||LI||*+m||SI||1的值最小，得到满足约束条件的低秩的背景噪声矩阵LI和稀疏的去除背景噪声的矩阵SI，其中，||||F表示求F‑范数操作，XI表示图片大小为200×380×3个像素的太赫兹图像矩阵，LI表示低秩的背景噪声矩阵，SI表示稀疏的去除背景噪声的矩阵，d表示取值为10‑3的常数，||||*表示求核范数操作，m表示大于零的权因子，||||1表示求1‑范数操作；(1c)将稀疏矩阵SI按照输入次序依次还原为6张图像；(2)使用形状先验知识缩小兴趣目标区域：(2a)对还原后的每张图像进行二值化操作，得到二值化后的图像；(2b)连通每张二值化后图像中满足上下左右四个方向的相邻像素值均为1的像素，得到每张二值化后图像中所有的连通区域；(2c)删除所有二值化后图像连通区域中的像素总数小于350个的连通区域，利用形状先验知识保存长宽比范围在1.0～5.0的矩形连通域，将剩余的连通区域组成目标掩模图像；(3)生成太赫兹图像数据集：(3a)将包含太赫兹图像中的目标位置信息的txt文件生成xml文件；(3b)将xml文件内容按照8:2的比例，生成训练验证集和测试集；将训练验证集的内容按照8:2的比例，生成训练集和验证集；(3c)将太赫兹图像、xml文件、训练集、验证集、测试集输入到ImageNet文件夹中；(4)训练深度学习网络Faster‑RCNN：(4a)使用预训练模型分别初始化深度学习网络Faster‑RCNN中的特征提取网络参数、区域建议网络RPN参数和识别网络RCNN参数；(4b)将训练集中的图像依次输入特征提取网络，更新特征提取网络的参数，输出每张图像的特征图；(4c)将每张图像的特征图依次输入区域建议网络RPN，更新区域建议网络RPN的参数，区域建议网络RPN输出训练集中的每张图像对应的矩形候选框；(4d)将每张图像的每个矩形候选框和特征图分别输入识别网络RCNN，更新识别网络RCNN的参数，识别网络RCNN输出修正的目标位置和类别；(4e)保持特征提取网络参数不变，将每张图像的特征图依次输入区域建议网络RPN，第二次更新区域建议网络RPN参数，区域建议网络RPN输出第二次更新后每张图像对应的矩形候选框；(4f)将特征图和更新后每张图像对应的矩形候选框分别输入识别网络RCNN，第二次更新识别网络RCNN参数，识别网络RCNN输出第二次更新后的修正目标位置和类别；(4g)判断网络RCNN是否收敛，若是，则得到训练好的深度学习网络Faster‑RCNN后执行步骤(5)，否则，执行步骤(4c)；(5)利用深度学习网络识别太赫兹图像目标：(5a)将目标掩模图像中的每个连通区域映射到原图像对应的区域，将原图像对应的区域像素输入到训练好的神经网络Faster‑RCNN中的特征提取网络，输出原图像对应区域的特征图；(5b)将原图像对应区域的特征图输入到训练好的神经网络Faster‑RCNN中的区域建议网络RPN，输出建议窗口；(5c)将建议窗口与原图像对应区域的特征图输入到训练好的神经网络Faster‑RCNN中的识别网络RCNN，输出识别结果。