[发明专利]一种基于人工智能的用于战场目标识别的方法

权利要求书

1.一种基于人工智能的用于战场目标识别的方法，其特征在于，具体包括如下步骤：

步骤1：图像预处理优化，包括：

(1)生成目标框，具体的：

通过Transfer-Faster-RCNN模型生成目标框，在识别目标前首先生成一个目标框，对于目标框使用四维向量来表示(x,y,w,h)，其中，x为目标框的中心点横坐标、y为目标框的中心点纵坐标、w为目标框的宽，

A＝(Ax,Ay,Aw,Ah)  (1)

G＝(Gx,Gy,Gw,Gh)  (2)

其中，A为原始的目标框数据集，G为真实的目标框数据集；

使得输入原始的窗口经过映射到一个和真实框G更接近的回归窗口G′，G′表示平移变换：

G′x＝Ax+Aw·dx(A)  (3)

G′y＝Ay+Ah·dy(A)  (4)

其中，dx(A)、dy(A)表示平移量，G′x表示平移后的中心点横坐标，G′y表示平移后的中心点纵坐标；

(2)图像变换优化，具体的：

寻找一种图像的变换F使得

F(Ax,Ay,Aw,Ah)＝(G′x,G′y,G′w,G′h)  (5)

F的计算通过平移和缩放来实现：

G′w＝Aw·dy(A)  (6)

G′h＝Ah·dy(A)  (7)

其中，dy(A)表示平移量，G′w表示缩放后的目标框宽度，G′h表示缩放后的目标框高度；

构建目标函数

其中，φ(A)是对应特征图组成的特征向量，w^T是需要学习的参数，d(A)是得到预测值，为了让预测值dx(A)，dy(A)，dw(A)，dh(A)和真实值差距tx，ty，tw，th最小，代价函数loss如下：

式中，表示目标框真实的中心点，N表示特征图的数量，Aⁱ表示第i个特征图的目标框；

函数优化目标w*为：

(3)高斯模糊，具体的：

在将数据载入Faster-CNN模型前，首先对同一张图片进行不同程度的高斯模糊和曝光处理：

其中，p、q是每个RGB通道中像素点位置；

步骤2：学习率优化；

设置一个下降率，在训练指定步长后，将原有的学习率进行缩小，以防止其震荡；

步骤3：多分辨率学习识别；

步骤4：非最大值抑制。

2.如权利要求1所述的一种基于人工智能的用于战场目标识别的方法，其特征在于：所述的步骤3中选用两次立方插值算法，该插值算法用函数W(m)表示如下：

其中，m为自变量，a为调节值。

3.如权利要求1所述的一种基于人工智能的用于战场目标识别的方法，其特征在于，所述的步骤4包括如下：

(1)计算每个目标框与其相临近目标框的重叠区域面积比例IoU；

(2)将IoU与阈值进行对比，改变相邻近目标框置信度：

其中，s_i为各目标框的置信度，N_t为设定的阈值。