[发明专利]一种偏振高光谱低空侦察图像典型目标检测方法

权利要求书

1.一种偏振高光谱低空侦察图像典型目标检测方法，其步骤如下：

步骤一、采集多场景下的图像样本集，所述图像样本集包括测试样本集和训练样本集；

步骤二、将所述样本集发送到优化系统进行处理；

步骤三、由所述优化系统输出检测结果。

2.根据权利要求1所述的偏振高光谱低空侦察图像典型目标检测方法，其特征在于，所述采集多场景下的图像样本集包括利用偏振高光谱低空目标检测模拟平台进行样本集的采集。

3.根据权利要求1所述的偏振高光谱低空侦察图像典型目标检测方法，其特征在于，所述优化系统包括深卷积神经网络CNN模块和双字典分类器层DPCL模块，所述CNN模块由卷积层、池化层和全连接层构成，用于提取图像特征，评估分数判断是否为目标，所述DPCL模块基于CNN提取的图像特征进行目标的分类和定位，分为目标DPCL和类别DPCL，用于计算作为特定目标类别的得分。

4.根据权利要求3所述的偏振高光谱低空侦察图像典型目标检测方法，其特征在于，所述将所述样本集发送到优化系统进行处理，包括：

步骤2.1、采用特征学习和分类器学习联合训练机制，优化CNN参数和DPCL；

步骤2.2、通过CNN提取特征，并对所述特征进行复制，同时传递给目标DPCL层和类别DPCL层；

步骤2.3、计算目标类别得分，并判定目标类别；

步骤2.4、通过边界框回归计算目标边界框的位置。

5.根据权利要求4所述的偏振高光谱低空侦察图像典型目标检测方法，其特征在于，所述采用特征学习和分类器学习联合训练机制，优化CNN参数和DPCL，包括：

首先，定义DPCL如下：

其中，λ>0,κ>0，是标量常数，表示X_k的互补数据矩阵，为约束项；

其次，对双字典(D_k，P_k)分别优化，

{P_k,D_k}的偏导数定义为：

根据得出X_k的偏导数：

获得所有之后，执行反向传播更新CNN参数。

6.根据权利要求4所述的偏振高光谱低空侦察图像典型目标检测方法，其特征在于，所述通过CNN提取特征，并对所述特征进行复制，同时传递给目标DPCL层和类别DPCL层，包括：给定测试图像上一个候选区域I，首先从I提取CNN特征x，然后定义第k类别的重构残差：

DPCL的分类规则如下：

当y≠0时，进一步使用边界框回归调整目标最初定位的位置，通过CNN层提取特征后，特征被复制并同时传递给目标DPCL层和类别DPCL层。

7.根据权利要求5所述的偏振高光谱低空侦察图像典型目标检测方法，其特征在于，所述计算所述目标类别得分，并判定目标类别，包括：

首先，输入区域特征x的目标分数Q(x)被定义为：

其中T控制检测的精度和检测背景召回率，本发明根据验证集经验设置为0.5，并基于Q(x)是否为0来识别背景；

其次，类别分数S(x，k)被定义为：

其中，K是目标类别的数量，β设置为0.003，最后使用乘法定则来融合目标分数和类别分数，x属于第k类的类别分数定义为：

设置φ表示CNN层函数，I_i表示带有类别标签y_i的输入区域，特征x＝φ(I,ω)，则最终分类损失定义为：

其中|∈{0,1}是指标函数，R{ω，D，P}表示关于CNN的参数和两个DPCL的正则化项。

8.根据权利要求4所述的偏振高光谱低空侦察图像典型目标检测方法，其特征在于，所述通过边界框回归计算目标边界框的位置，包括，

令和是候选区域I的预测和地面实况边界框，其中k表示I属于第k个目标类别，然后将边界框回归损失定义为：

其中H₁(z)是Huber损失，对异常值具有鲁棒性：

根据求和规则，合并L_cls和L_loc，多任务损失定义为：

其中是表示I_i是否为目标的指标。