[发明专利]基于深度学习的目标部位识别方法

说明书

本发明公开了一种基于深度学习的目标部位识别方法，包括：建立深度卷积网络，所述深度卷积网络包括相互连接的主体卷积网络、分类与定位分支网络和目标解析分支网络。所述主体卷积网络用于获取待识别目标雷达图像的若干个尺度的特征图。所述分类与定位分支网络用于对所述若干个尺度的特征图进行分类和边框位置回归处理，得到分类输出和边框位置。所述目标解析分支网络用于对所述若干个尺度的特征图中的一个特征图进行局部结构掩码关键点检测。本发明能够对目标分类、定位以及特定部位识别，实现对目标的精细识别。

技术领域

本发明涉及目标检测与识别技术领域，特别涉及一种基于深度学习的目标部位识别方法。

背景技术

随着雷达探测技术高分辨、高精度等性能逐步提升，以及先进信号处理技术的发展，目标的细节特征呈现出来，对目标特定部位进行精确探测与识别，从而找到感兴趣的目标部位。如雷达凝视成像，需要对感兴趣部位进行精细识别；又如精确打击系统对目标瞄准点选择与低附带毁伤等应用场合，要求在不同姿态、视角等情况下的特定部位精准识别。然而，当前对雷达目标部位识别技术，主要结合目标特征进行模式识别。

例如：文献“基于红外成像引信的瞄准点识别研究”(红外技术，2003年第1期)利用红外探测设备对目标辐射特征进行识别，但依赖目标自身的热辐射；文献“射频成像GIF技术的瞄准点选择算法”(北京理工大学学报，2015年第10期)利用目标自身几何结构，提出了基于凸多边形的瞄准点选择的一种方法，但只能获得模糊的目标中心识别；专利“基于卷积神经网络的空中目标检测方法”(CN201810924226.9)公开了一种适应不同尺寸规格的目标检测方法；专利“一种基于深度学习的多专项目标检测算法”采用多个专项通道对不同形状类别的目标进行检测，但未满足对目标局部特定部位的识别。

由此亟需提供一种能够实现对目标分类、定位、特定部位识别等多任务检测的一种基于深度学习的目标部位识别方法。

发明内容

本发明的目的在于提供一种基于深度学习的目标部位识别方法，所述目标部位识别方法通过多任务深度学习架构设计，实现对目标分类、定位以及特定部位识别，即实现对目标的精细识别的目的。

为了实现以上目的，本发明通过以下技术方案实现：

一种基于深度学习的目标部位识别方法，包括：建立深度卷积网络，所述深度卷积网络包括相互连接的主体卷积网络、分类与定位分支网络和目标解析分支网络。所述主体卷积网络用于获取待识别目标雷达图像的若干个尺度的特征图。所述分类与定位分支网络用于对所述若干个尺度的特征图进行分类和边框位置回归处理，得到分类输出和边框位置。所述目标解析分支网络用于对所述若干个尺度的特征图中的一个特征图进行局部结构掩码关键点检测。

优选地，所述分类输出为待识别目标类型与待识别目标局部结构类型；所述边框位置为待识别目标整体的位置和待识别目标局部结构的位置。

优选地，采用预设的训练集分别对所述主体卷积网络、分类与定位分支网络和目标解析分支网络进行网络训练；采用所述预设的训练集对所述深度卷积网络进行整体网络训练。

优选地，采用对应的损失函数对所述网络训练的过程以及所述整体网络训练的过程进行约束。

优选地，所述损失函数包括分类误差损失函数L_cla、位置误差损失函数L_loc与目标解析误差损失函数L_par；所述分类误差损失函数L_cla和位置误差损失函数L_loc用于在对所述分类与定位分支网络进行网络训练时进行约束：

式中，为指示参数，当其为1时表示第i个先验框与第j个Ground Truth匹配，且其类型为p；Pos表示正样本集，Neg表示负样本集；是类别置信度预测值的softmax函数加权值，其表示为：