[发明专利]一种多类别交通工具的精细识别方法

说明书

本发明公开了一种多类别交通工具的精细识别方法，属于航空监视领域。首先针对某张待分类的目标图像输入VGG19网络中，输出包含网络浅层信息的特征图X，并将其加入级联注意力机制，得到重要区域的高亮显示特征图然后从纵向和切向两个角度嵌入核函数，提取高亮显示特征图的高维非线性特征，得到两个不同方向的高维非线性特征图X′和Y′。用平均池化将X′和Y′分别进行特征降维，得到长度为C的两个特征向量，拼接后得到长度为2C的特征向量A。最后对特征向量A使用全连接进行融合，得到特征向量B；使用softmax机制对特征向量B中各类别的置信度分数进行归一化，取分数最大值，得到对应的分类的结果。本发明达到多类别交通工具的精细识别。

技术领域

本发明属于航空监视领域，具体是一种多类别交通工具的精细识别方法。

背景技术

在交通监视任务中，目标识别是常用手段，而现实生活中目标种类具有多样性和相似性，给分类任务带来巨大挑战。对这类目标的分类可以称为精细分类，其在视觉上的细微差异通常存在于局部区域，因而精细视觉分类是一项具有挑战性的工作。通过高度非线性表达来找出具有区分度的局部区域仍然是个未解决的问题。

精细分类问题近几年逐渐受到重视，其主要任务是区分相似度很高的物体类别，比如鸟的物种、汽车的品牌以及飞机的型号等。目前，经典的卷积神经网络在精细分类任务上已经有了很大的进展，但依旧存在很多上升空间。主要的问题还是在于此类数据库的类间差距较小，类内差距较大。一方面，不同种类物体的差距往往体现在局部区域，即便是肉眼也难以区分。另一方面，同类物体间可能差异很大。

为了解决这个问题，目前已经有许多方法被提出，也有了很多进展。如：通过将整个图的各个局部特征进行二阶统计，整合后进行分类，二阶和更高阶的统计方法被应用在许多视觉方法中，已经在许多精细分类任务上达到了较好的效果。但是，这些方法通常需要高维的特征表达，带来较重的计算负担。另一方面，现有的方法也主要是在纵向方向进行编码，没有深入获取图像中空间分布上的信息。

发明内容

针对上述问题，本发明提供了一种多类别交通工具的精细识别方法，结合了核函数的非线性以及神经网络的特征提取能力，改进了特征提取机制，从而提高了网络的非线性表达能力，提升了网络精细分类的准确率，可用于复杂类别的交通工具识别，为后续的安全检测、路线规划、交通管理、情报收集等应用带来了极大的便利。

所述的多类别交通工具的精细识别方法，具体步骤如下：

步骤一、针对某张待分类的目标图像输入VGG19网络中，输出包含网络浅层信息的特征图X；

VGG19网络包括16个卷积层和3个全连接层，其中卷积层都使用的是3x3的卷积和2x2的最大池化层。将VGG19网络中除去卷积模块的部分取缔，卷积模块的输出特征图大小为C×W×H。W代表特征图的宽，H代表特征图的高，C代表特征图的通道数。

步骤二、对具有浅层信息的特征图X加入级联注意力机制，得到重要区域的高亮显示特征图

具体为：

首先，对于特征图X，通过1×1的卷积得到三维的注意力权重图M₁(X)，然后将注意力权重图M₁(X)中每个权重分别与原始特征图X中各自对应的像素进行一一相乘，即并借助残差方法，对逐像素相加，得到第一结果：

同时，采用3×3的卷积对原始特征图X进行特征提取，然后对提取结果进行边界补全，得到和原始特征图X相同尺寸的三维的注意力权重图M₂(X)。

然后，将注意力权重图M₂(X)中每个权重分别与第一结果中各自对应的像素进行一一相乘，最后借助残差方法，与原始特征图X逐像素相加，得到与原始特征图X尺寸相同的重要区域的高亮显示特征图