[发明专利]基于卷积神经网络的遥感图像飞机目标识别方法

说明书

技术领域

本发明涉及一种遥感图像飞机目标识别方法，具体是指一种基于卷积神经网络的遥感图像飞机目标识别方法，属于深度学习技术领域。

背景技术

遥感图像的飞机识别技术，在民用和军事领域上都具有重大意义。现如今，随着数据量和目标相似性的增加，以及采集到的遥感飞机图像存在大量干扰，如遮挡、噪声、视角变化、复杂背景等因素；因此，如何在复杂环境中精准的识别出各飞机的类型并减少计算的复杂度，成为计算机视觉的研究重点与热点。

传统的飞机目标识别通常采用模板匹配算法，其具有算法简单、计算量小的特点。但由于计算过程简单，提取图像中飞机的完整形状在现实环境中非常困难，且不能适用于飞机目标的尺度变换。

目前，在飞机目标识别领域内应用最广泛的方法是利用不变矩，具有代表性的不变量特征提取方法有Hu矩、Zernike距、小波距等。现主要采用优化组合矩对飞机目标进行识别，将提取的多维不变矩作为识别特征，再使用支撑向量机(Support Vector Machine，SVM)或BP(Back Propagation，反向传播)神经网络来识别飞机目标。虽然该方法可以克服单一特征描述信息能力不强的特点，但多特征融合困难，抗噪性较差。另外，虽然BP神经网络具有良好的学习能力和泛化能力，但由于学习速率固定，学习步长及动量因子难以确定，使得网络收敛速度慢，纠错能力有限，甚至导致算法收敛于局部极小值。

基于上述，现有的飞机目标识别方法都需先采用复杂的特征提取，再结合SVM或浅层神经网络的方式。这些方法在面对大规模数据时实现非常困难，并且识别精度较低。因此，针对采集到的遥感飞机图像的大数据量和复杂背景环境等问题，本发明提出一种基于卷积神经网络的遥感图像飞机目标识别方法。

发明内容

本发明的目的是提供一种基于卷积神经网络的遥感图像飞机目标识别方法，对旋转、尺度缩放或者其他形变具有稳定性，针对采集到的遥感飞机图像的大数据量和复杂背景环境等问题，增强算法的通用性，提高算法识别精度及抗噪性。

为实现上述目的，本发明提供一种基于卷积神经网络的遥感图像飞机目标识别方法，包含以下步骤：

S1、建立飞机图像库，由实验飞机模型库和实际遥感飞机模型库构成，包括训练图像和测试图像；

S2、初始化设置卷积神经网络，并设置该卷积神经网络的训练过程；

S3、初始化设置卷积神经网络中的参数；

S4、读取训练图像数据，根据卷积神经网络的训练过程对训练图像数据进行卷积和池化的训练操作，得到训练图像的实际输出；

S5、调整卷积神经网络的参数，使得训练图像数据的指定目标输出和实际输出之间的误差值满足精度要求，完成卷积神经网络的训练；

S6、读取测试图像，采用完成训练的卷积神经网络作为测试网络，输出遥感图像飞机目标识别结果。

所述的S1中，实验飞机模型库中包含n类飞机机型的实验飞机图像，对该些实验飞机图像进行归一化和二值化处理。

所述的S1中，实际遥感飞机模型库中包含：在飞机墓场中的n类飞机机型的遥感飞机图像，对该些遥感飞机图像进行灰度化处理。

所述的S1中，对实际采集到的实验飞机图像和遥感飞机图像进行预处理，包括：尺度缩放、旋转、仿射变换、加噪声、运动模糊和亮度变化、及任意位置遮挡，将预处理后的图像划分为测试图像和训练图像。

所述的S2中，初始化设置卷积神经网络的步骤具体为：卷积神经网络设置5层网络层，分别为2个卷积层、2个全连接层和1个Softmax分类层；并且，每个卷积层均包含池化层，池化窗口为2×2的最大池化。

所述的S2中，设置卷积神经网络的训练过程的步骤，具体包含：

S21、将训练图像输入卷积神经网络，使用卷积核对输入图像进行卷积，得到第一卷积层的特征图；

S22、对第一卷积层的特征图进行池化，经过池化窗口为2×2的最大池化，得到第一池化层的特征图；

S23、使用卷积核对第一池化层的特征图进行卷积，得到第二卷积层的特征图

S24、对第二卷积层的特征图进行池化，经过池化窗口为2×2的最大池化，得到第二池化层的特征图；

S25、设置与第二池化层连接的第一全连接层，以及与第一全连接层连接的第二全连接层；

S26、设置与第二全连接层连接的Softmax分类层，设置输出神经元个数为n，对应n类飞机机型的分类结果。