[发明专利]民航客机个体目标识别方法

说明书

本发明提出的一种民航客机个体目标识别方法,旨在提供一种识别率高的深度学习方法。本发明通过下述技术方案予以实现：以捕获飞行器通信信号模块、制备数据集模块、构建神经网络模块、训练神经网络模块和识别通信信号和识别通信信号所属飞行器模块组成卷积神经网络识别系统，其中，捕获飞行器通信信号模块从飞行器原始脉冲波形本身出发，通过高速采集卡采样，将ADS_B原始中频信号保存到本地；制备数据集模块将采集到的通信信号进行脉冲切片并绘制成图像，把ADS_B通信信号的识别特征转换为图像空间结构特征；构建神经网络模块根据目标数量评估深度神卷积经网络的层数；训练神经网络模块基于卷积神经网络算法生成图像样本进行训练；得到识别出信号。

技术领域

本发明涉及一种将深度学习应用到通信信号识别领域的目标识别方法，具体涉及一种基于深度卷积神经网络的民航客机个体目标识别方法。

背景技术

基于光学遥感图像的飞机检测一直是目标识别领域的研究热点。机场与飞行器目标识别是遥感数据分析中的典型应用。目标识别是计算机视觉领域的核心问题之一，而飞机目标的识别是民用领域里的一项重要应用。国内外学者在目标识别方面已经做了大量研究，每种目标识别方法都各有利弊，又都有一定的适用范围。图像预处理与分割图像预处理是目标识别过程中一个必不可少的基本环节。为了对飞机目标进行提取，首先对图像进行平滑预处理，再分割图像目标。图像分割是将所需要的目标部分从图像的背景中分离出来。图像预处理在图像采集中不可避免地会产生图像噪声，而噪声直接影响到对目标边缘轮廓的准确提取。目标检测对于人来说是再简单不过的任务，但是对于计算机来说，它看到的是一些值为0～255的数组，因而很难直接得到图像中有人或者猫这种高层语义概念，也不清楚目标出现在图像中哪个区域。图像中的目标可能出现在任何位置，目标的形态可能存在各种各样的变化，图像的背景千差万别，这些因素导致目标检测并不是一个容易解决的任务。传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。现如今的目标识别方法大部分都需要人工提取样本特征，然后选择适当的分类器进行训练，训练分为多个阶段，训练耗时，占用磁盘空间大：5000张图像产生几百G的特征文件。不仅提取过程繁琐，且结果不一定尽如人意。速度慢:使用GPU,VGG16模型处理一张图像需要47s。由于遥感图像数据量巨大，依靠传统人工判读的方式从中提取特定目标的信息难以适应遥感技术的发展趋势，如何从这些数据中快速、准确的提取所需要的信息成为当今遥感图像解析的重点与难点。针对传统飞机检测方法性能差、准确率低及泛化能力弱等问题，现有技术提出了一种基于深度信念网络的光学遥感图像飞机检测方法。该方法将深度学习引入飞机检测的应用当中，构建了基于深度信念网络及基于卷积神经网络两种飞机检测结构模型，借助优化图像预处理、训练样本获取和改进训练结构等方式，提高检测算法的性能。