[发明专利]基于改进FasterR-CNN的复杂战场环境目标高效识别方法

权利要求书

1.基于改进FasterR-CNN的复杂战场环境目标高效识别方法，其特征在于，包括：

构建两路特征提取网络；

一路特征提取网络输出的战场环境特征图输入候选区域生成网络，所述候选区域生成网络通过融合浅层目标位置信息和深层高阶语义特征来区分战场环境中的背景与目标，采用K-Means聚类方法对战场环境特征图重新设置锚点尺寸大小以及长宽比；

另一路特征提取网络输出的战场环境特征图、候选区域生成网络输出的候选区域输入分类回归网络中，对目标进行分类识别，并对位置进行回归。

2.根据权利要求1所述基于改进FasterR-CNN的复杂战场环境目标高效识别方法，其特征在于，所述两路特征提取网络均采用残差ResNet结果代替VGG16网络。

3.根据权利要求1所述基于改进FasterR-CNN的复杂战场环境目标高效识别方法，其特征在于，采用K-Means聚类方法对战场环境特征图重新设置锚点尺寸大小以及长宽比，具体为：采用K-Means聚类方法对战场环境特征数据集重新聚类来生成锚点尺寸，经锚点之后，为每个滑动窗口位置定义了9个基准矩形框，得到每个滑动窗口位置的修正参数后，利用修正参数对基准矩形框进行修正；每个基准矩形框输出4个修正参数t_x,t_y,t_w,t_h，利用这4个修正参数对基准矩形框进行修正即得出候选区域；

式中，x,y,w,h表示候选区域的中心横坐标、纵坐标、宽度、高度，x_a,y_a,w_a,h_a表示基准矩形框的中心横坐标、纵坐标、宽度、高度。

4.根据权利要求1所述基于改进FasterR-CNN的复杂战场环境目标高效识别方法，其特征在于，所述候选区域生成网络首先用一个卷积核大小为3×3的卷积层对战场环境特征图进行卷积操作生成特征向量，接着用两个卷积核大小为1×1的卷积层模拟两个全连接层，然后输出候选区域的类别置信度和修正参数，通过Softmax层对类别置信度进行归一化，从而得到候选区域内是否包含待识别目标的置信度。

5.根据权利要求4所述基于改进FasterR-CNN的复杂战场环境目标高效识别方法，其特征在于，候选区域生成网络的损失函数将候选区域的类别置信度和修正参数的训练任务统一起来；所述损失函数表示为：

式中，i是基准矩形框的序号，p_i是第i个基准矩形框内包含待测目标的预测置信度，是第i个基准矩形框的标签，代表第i个基准矩形框内包含待测目标，代表第i个基准矩形框内不包含待测目标，t_i是基准矩形框的预测修正参数，是基准矩形框相对于目标标签框的修正参数，N_cls和N_reg进行归一化，λ为调节子项的相对重要程度；

所述置信度的损失函数L_cls(·)，为一个二分类的逻辑回归损失函数L_cls(·)的表达式为：

所述修正参数的损失函数L_reg(·)，表达式为：

式中，smooth_L1(·)函数为：

6.根据权利要求1所述基于改进FasterR-CNN的复杂战场环境目标高效识别方法，其特征在于，目标标签框的修正参数的对应计算公式为：

式中，x^*,y^*,w^*,h^*分别表示目标标签框的中心横坐标、纵坐标、宽度和高度，x_a,y_a,w_a,h_a分别表示基准矩形框的中心横坐标、纵坐标、宽度和高度。