[发明专利]基于卷积神经网络复杂光照环境下的舰船目标识别方法

权利要求书

1.一种基于卷积神经网络的复杂光照环境下的舰船目标识别方法，其特征在于，包括以下步骤：

S1、将样本图片送入网络模型；

S2、进行损失函数特征约束；

S3、采用贝叶斯超参数优化方法对权重进行自适应优化；

S4、使用Adam方法对目标函数进行训练；

S5、测试得到舰船分类平均识别率；

所述步骤S1包含以下步骤：

S1.1、建立数据库，首先在谷歌地图上收集不同时间，不同光照程度的真实舰船图像12000张，然后通过数据增强生成模拟图像，并将模拟和真实图像一起作为训练数据，其中6000张7类舰船样本用来模拟光照，随机曝光程度ψ＝{10，25，50，65，80}，随机分布使用均匀分布，让曝光模块以一定概率随机均匀的分布整张图像，变化处理后的图像加上真实数据集一共42000张，其中将30000张作为训练集，6000张作为验证集，6000张作为测试集；

S1.2、将原图像与不同曝光程度的舰船图像分批次输入到ResNet-50网络，首先将尺寸大小为224×224×3的舰船图像输入，经过64个卷积核为7×7，步长为2的卷积层，得到112×112×64的特征图，再通过步长为2的最大池化，得到56×56×64的特征图；

S1.3、经过三个残差模块，64个1×1卷积，64个步长为2的3×3卷积，256个1×1卷积堆叠而成，从而得到56×56×256的特征图；

S1.4、经过四个残差模块，128个1×1卷积，128个步长为2的3×3卷积，512个1×1卷积堆叠而成，获得28×28×512的特征图；

S1.5、经过6个残差模块，256个1×1卷积，256个步长为2的3×3卷积，1024个1×1卷积堆叠而成，得到14×14×1024的特征图；

S1.6、最后经过3个残差模块，512个1×1卷积，512个步长为2的3×3卷积，2048个1×1卷积堆叠而成，得到7×7×2048的特征图；

S1.7、通过平均池化得到1×1×2048的特征图，最后经过尺寸为(7，2048)全连接层得到维度为1×7的特征向量，最后用Softmax函数进行分类识别；

所述步骤S2包含以下步骤：

S2.1、生成特征向量，计算光照变化前后图像特征的统计矩A，包括均值m，标准方差σ，平滑度R，三阶矩u3，一致性U，熵e，并组成新的特征向量A＝[m,σ,R,u₃,U,e]如式(1)所示，再代入Pseudo-Huber损失函数进行特征约束，来减小光照对识别率的影响，L是灰度级总数，z_i表示第i个灰度级，p(z_i)是归一化直方图灰度级分布中灰度为z_i的概率；

S2.2、建立特征损失函数，与光照，亮度，信息量相关的矢量特征都与原图像的差距减小，减弱了光照变化对识别的影响，会使舰船的识别率提高，将6个统计矩合成新的特征向量O_FC(x)＝(m,σ,R,u₃,U,e)，O(x_i)，O(Tx_i)是光照变化前后图片经过全连接层后的特征向量，O_FC(x_i)，O_FC(Tx_i)是光照变化前后图像经过计算统计矩后生成的新特征矢量，将变化前后的特征分别代入Pseudo-Huber损失函数，建立特征约束函数：

S2.3、建立总损失函数，总损失函数包括分类交叉熵损失和特征约束函数，λ₁,λ₂是权重，其中C为舰船类别数，表示为样本的真值标签向量，N为采用模拟舰船数，K为光照变化程度数，M为真实舰船数，第一项为交叉熵损失用来分类识别，第二项Pseudo-Huber损失函数约束，第三项为灰度直方图统计矩约束损失项，后两项约束了特征间的差异，λ₁,λ₂为权重系数，W为权值矩阵，b为偏置量，如式(4)所示：

所述步骤S3包含以下步骤：

S3.1、贝叶斯超参数优化，根据历史验证集合找出一个可能使损失函数小的超参数集合λ₁,λ₂，其次计算损失函数的值，更新从超参数到损失函数的树形估计模型，优化准则为预期改进法，根据代理函数选择新的超参数集合λ₁,λ₂进行试验，在历史集合所有的损失函数值中，满足p(c＜c^*)＝0.15的条件，将历史记录分为两部分，l(λ)是由所有风险较小的部分超参数集合形成的分布，g(λ)则相反，然后估计超参数的分布，在c＜c^*超参数集合，存在n个取值(x₁,x₂,x₃...x_n)，那l(λ)概率密度的估计为式(5)，在l(λ)分布下采样，计算并选取l(λ)/g(λ)的最大值，作为本次迭代选取的超参数集合λ₁,λ₂，之后进行迭代，达到迭代次数或时间停止训练；

其中

所述步骤S4包含以下步骤：

S4.1、训练网络，完成网络参数的初始化设置；将样本按batch_size送入网络，然后计算目标值与实际输出偏差以及特征误差，完成网络的前向传播；判断偏差及特征误差是否在容许的范围e内，如果在，继续向前迭代，若不在容许范围，重新通过Adam优化方法更新权值与偏差；重复操作，直至达到迭代次数20000次，固定权值和阈值，保存网络模型；

所述步骤S5包含以下步骤：

S5.1、测试网络，在已训练好的网络模型上，输入测试样本6000张，得到输出7×1的特征向量预测值，从而得到正确的舰船分类。