[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

说明书

本发明公开了基于改进FasterR‑CNN的复杂战场环境目标高效识别方法，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。此方法在复杂战场环境下，提高了战场目标的准确率，使得此模型较之前的模型有更好的理论指导意义。

技术领域

本发明属于深度学习与图像识别领域，具体涉及基于改进FasterR-CNN的复杂战场环境目标高效识别方法。

背景技术

复杂战场环境下，无人装备集群如何有效、准确识别战场目标，是实现无人装备精确控制、避障及执行攻击任务的关键，对敌方目标的识别能够保障我方无人装备在复杂动态战场下完成侦察及作战任务。传统的目标识别方法主要有Cascade+HOG、DPM+Haar、SVM及其改进、优化方法，这些方法的缺点是需要人工设计特征，工作量庞大，而且类似算法在目标形态变化大、背景复杂或者光照不足的情况下表现往往不佳。随着深度学习在目标识别上的应用，采用深层次的神经网络提取出的目标特征质量远远超过传统人工特征。卷积神经网络采用原始图像作为输入，可以有效地从大量样本中学习到相应特征，避免复杂的特征提取过程。

但是受复杂战场目标运动速度、形状、尺寸、姿态等内部因素的改变和气象环境等外部因素的影响，且无人装备获取的目标样本数量较少，使得无人装备的目标识别存在准确性低、速度慢的问题。

尽管目前已有大量用于进行目标检测的算法，但在很多自然场景中FasterR-CNN仍是最广泛使用的一种深度学习算法，因此，选取FasterR-CNN来进行复杂战场环境目标高效识别。整个FasterR-CNN网络模型主要分为特征提取网络、候选区域生成网络和分类回归网络3个子网络部分：

所述特征提取网络：顾名思义就是利用卷积网络提取图像特征，它可以是任何能学习图像特征的网络结构，由于卷积网络参数过多不易调参，所以一般都会采用一些已经被广泛使用的网络结构，通常使用ZF、AlexNet、VGG16及残差网络ResNet等网络模型。特征提取网络所提取的特征好坏会直接影响到候选区域生成网络的性能，因为生成的特征图像将被送到候选区域生成网络中进行目标分类以及目标位置回归。特征提取网络是整个卷积网络的基础，对整个网络的性能好坏起到关键性作用。如图1所示，即为特征提取网络的结构，仅给出与特征提取网络相关部分的结构。

所述候选区域生成网络：FasterR-CNN算法中的候选区域生成网络，即RPN网络，其作用是选取目标可能的候选区域并进行前景背景的判别，同时对这些区域的位置进行回归，微调修正。该网络以特征提取网络生成的特征图作为输入，通过设定不同尺度不同长宽比例的anchor机制，并将其作用于特征图，获取到一定数量的目标可能的候选区域框。其本质是使用滑动窗口算法进行候选区域的提取，通过使用卷积神经网络来实现。如图2所示，即为候选区域生成网络的结构，仅给出与该网络相关部分的结构。

所述分类回归网络：FasterR-CNN算法中的分类回归网络输入为候选区域及其对应的特征图，该子网络的作用是对候选区域的前景进一步分类，确定目标的具体类别，同时对目标区域的位置再次进行回归。然而由于目标形状大小各异，anchor机制的设置，使得候选区域的大小形状不尽相同，最后将映射后的特征向量分别输入到回归层和分类层当中，一个用于进行目标类别的判断，一个用于进行目标位置的回归。如图3所示，即为分类回归网络的结构，仅给出与该网络相关部分的结构。