[发明专利]一种基于多层卷积神经网络的舰船目标识别方法

摘要

本发明公开了一种基于多层卷积神经网络的舰船目标识别方法包括：S1、舰船样本库采用已有的图像、参数和模型数据构建，并在使用过程中，通过检测目标数据采集不断的进行丰富；S2、舰船目标特征训练是在卷积神经网络的框架下，通过对舰船样本库的识别训练，形成可见光/红外和二维/三维融合的舰船特征知识库，用于进行舰船目标分类识别；S3、舰船目标数据采集用于对海上舰船目标的可见光或红外视频数据进行实时高分辨率的采集；S4、对海上舰船目标进行检测；S5、对舰船目标图像粗分类；S6、基于舰船目标特征训练完成的深度神经网络模型开展舰船目标的细分类识别工作，准确的识别出舰船的类型。解决了舰船目标识别的难题。

主权项

一种基于多层卷积神经网络的舰船目标识别方法，其特征在于，包括：S1、采用已有的图像、参数和模型数据构建舰船样本库，并通过检测目标数据采集改进舰船样本库；S2、在卷积神经网络的框架下，通过对舰船样本库的识别训练，形成可见光/红外和二维/三维融合的舰船特征知识库，用于进行舰船目标分类识别；包括：建立基于深度卷积神经网络的舰船目标特征训练架构，包括特征共享CNN层、可微调CNN层、区域提取模型、ROI池化层以及分类回归全连接层；共享特征CNN层是现存的深度卷积神经网络分类模型去掉最后全连接层的部分，在进行舰船目标检测识别模型训练前，在VOC分类数据集或是ImageNet分类数据集上进行预训练来提高对图像特征的提取能力，然后再利用此训练好的分类模型去掉全连接层部分的参数对共享特征CNN层进行参数初始化；可微调CNN层用于在线增量学习；区域提取模型是卷积神经网络，在共享CNN层和可微调CNN层后，构造了一个卷积层和两个并列的全连接层的神经网络，通过共享CNN层特征以及可微调CNN层特征来实现可能存在待检舰船目标区域的提取；ROI池化层，用于经过ROI池化后，输出固定维度的特征向量；舰船目标检测识别模型训练包括4步阶段；第一阶段：使用在样本库上进行预训练的分类模型对共享特征CNN层参数进行初始化，同时利用零均值方差为σ的高斯正态分布对可微调CNN层以及区域提取模型进行权重和偏置项的参数初始化，最后再利用可见光或红外训练集图像数据对区域提取神经网络模型进行微调；第二阶段：使用第一阶段中区域提取模型提取的区域提取训练共享特征CNN层、可微调CNN层，同时利用在Voc2012或ImageNet数据集上进行预训练的分类模型初始化共享特征CNN层参数；第三阶段：使用第二阶段训练好的共享特征CNN层、可微调CNN层参数，重新初始化区域提取模型的共享特征CNN层、可微调CNN层参数,然后固定共享特征CNN层、可微调CNN层参数并对区域提取神经网络模型进行微调；第四阶段：将第三阶段中区域提取神经网络模型的卷积层参数冻结并提取区域提取，然后共享特征CNN层、可微调CNN层参数进行微调；S3、对海上舰船目标的可见光或红外视频数据进行实时高分辨率的采集；S4、对海上舰船目标进行检测；S5、舰船目标图像粗分类针对对舰船的大类进行简单的分类，降低后续舰船目标细分类识别的工作量；S6、基于舰船目标特征训练完成的深度神经网络模型开展舰船目标的细分类识别工作，准确的识别出舰船的类型。