[发明专利]一种基于深度学习的伪装军事目标识别方法及系统

权利要求书

1.一种基于深度学习的伪装军事目标识别方法，其特征在于：该方法的步骤如下：

第一步：将采集的地理图像进行预处理：

第二步：将预处理之后的地理图像与地理信息库中检索出来的该地域、同时段标准图像进行重合匹配差异对比；

第三步：将通过差异点比对有明显差异的图像传入卷积神经网络代码块中，进行识别，经过多次的卷积、池化、降维直至网络收敛，融合出特征图像后进入全连接层，将特征图像转化为向量并将输出向量继续传入函数分类器中执行分类器中的SoftMax Loss算法得到图片分类结果。

2.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法，其特征在于：

包括：第一步中的预处理为处理芯片中针对采集图像不同的噪声类型利用滤波算法实现对图像噪声的去除。

3.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法，其特征在于：

第二步中的重合匹配差异对比如下：将采集图片与从地理信息库中检索出的图片数据进行重合比对，并使用opencv库中的模板匹配函数matchTemplate，自动匹配局部变量，寻找重合后的匹配点，找出匹配点后，将非匹配的区域用方框标记。

4.根据权利要求3所述的一种基于深度学习的伪装军事目标识别方法，其特征在于：

所述重合比对步骤如下：

首先使用加权平均法将地理信息库中检索出的标准图像和采集图像转化为灰度图，然后将两张灰度图片重叠，对比图像中的差异点。

5.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法，其特征在于：第二步中的检索方法采用差异hash算法(无)，首先将图片缩小到9*8像素并转化为灰度图，后计算相邻像素之间的差异值并获取指纹，最后做出指纹对比，即计算两幅图片的汉明距离，汉明距离越大则说明图片越不一致，当距离为0时，说明完全相同。

6.根据权利要求5所述的一种基于深度学习的伪装军事目标识别方法，其特征在于：获取指纹方式如下：如果左边像素灰度比右边高，则记录为1，否则为0。

7.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法，其特征在于：第三步中，搭建卷积神经网络框架，并将第二步中经过标记获取的伪装地面军事目标图像，通过阈值调整、筛选，确认含有军事目标的图像后，传入在云端的卷积神经网络中进行图像特征提取，函数分类。

8.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法，其特征在于：第三步中所述的卷积神经网络主要由卷积层和全连接层构成，卷积层实现对图像的特征按卷积核大小来提取相应像素的图像，并在池化层中进行重新组合并将其提取到的特征进行减少参数处理，将图像缩小，后经过反复卷积，池化后进入全连接层得出图像排列后的向量，将得到向量传入函数分类器进行分类，最终通过分类器输出概率识别出分类结果。

9.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法，其特征在于：第三步中分类器中的SoftMax Loss算法：计算K+1类的分类Loss函数，其中K表示K个目标类别。

10.一种基于深度学习的伪装军事目标识别系统，其特征在于：

该系统包括包括图像预处理模块、重合匹配差异对比模块和图片分类结果输出模块；

图像预处理模块将采集的地理图像进行预处理：

重合匹配差异对比模块将预处理之后的地理图像与地理信息库中检索出来的该地域、同时段标准图像进行重合匹配差异对比；

图片分类结果输出模块将通过差异点比对有明显差异的图像传入卷积神经网络代码块中，进行识别，经过多次的卷积、池化、降维直至网络收敛，融合出特征图像后进入全连接层，将特征图像转化为向量并将输出向量继续传入函数分类器中执行分类器中的SoftMaxLoss算法得到图片分类结果。