[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

说明书

本发明提出基于卷积神经网络复杂光照环境下的舰船目标识别方法。首先使用残差网络提取图像特征信息并对光照变化前后的特征进行特征损失约束；然后使用灰度直方图计算特征统计矩的方法得到光照对比度，亮度等六种特征并生成新的特征向量对光照变化前后的特征再次进行特征损失约束，使变化前后特征对光照因素的影响进行削弱；最后将二者约束加入损失函数中进行训练，使用贝叶斯自适应超参数优化训练最佳权重。结果针对舰船光照变化数据库的平均识别率达90.47％，本发明对光照变化有着很好的约束作用，对识别率有显著提升。

技术领域：

本发明是可见光舰船图像曝光的目标识别领域，具体地说，是一种基于卷积神经网络复杂光照环境下的舰船目标识别方法。

背景技术：

海面气象光照等环境复杂，海面光洁平滑易映射太阳，日照强度不同会使海面上形成不同程度的反光，阳光的强反光反射到舰船上形成不同程度的曝光，折射率越大，反射越剧烈，反射能流越大，在进行舰船目标识别时，反射光照射到船身会泛白，舰船航行产生的海浪与船身不易分离，海面鱼鳞光与海杂波也会干扰舰船识别，这些因素使得常用于海面监控的可见光图像中舰船目标信息模糊甚至缺失。因此复杂光照条件是舰船识别应用中的热点研究问题。目前常用的方法仍倾向于用不变矩，以及图像预处理，易忽略目标局部特征。

传统图像识别方法依赖手工调试参数，人工设计不能保证提取有效或重要的特征，有的过于繁琐会带来大量的冗余信息，这些设计的特征描述符和分类器通常非常复杂，不适用于实时系统。传统的卷积神经网络在信息传输的时候可能会留有信息遗失，耗损等问题，同时导致梯度消失或梯度爆炸。

本发明提出了基于卷积神经网络的舰船目标鲁棒特征的识别方法研究。首先，使用ResNet-50网络提取图像特征信息；然后使用日照鲁棒损失函数使不同日照强度与清晰样本图像特征差异最小化，同时使用灰度直方图计算特征统计矩的方法生成六维特征向量，对不同日照强度与清晰样本特征差再次进行日照鲁棒损失函数约束，减小光照的影响；最后，使用贝叶斯自适应超参数优化来训练得到识别率最高的权重分配。抑制了不同光照对舰船目标识别准确性的干扰，平均识别率可达90.47％。该方法不仅可应用于海面监控监测，也可应用于海防预警、侦察识别领域。

发明内容：

本发明的目的是基于卷积神经网络的复杂光照舰船目标识别方法，用于改善曝光导致遥感图像中舰船目标识别率低、鲁棒性差等问题。具体技术方案如下：

本发明针对海面光照不同使得采集到的可见光图像中舰船目标信息缺失进而影响识别的准确性这一问题，开展了基于卷积神经网络的舰船目标识别研究。首先使用ResNet-50网络提取图像特征信息并对光照变化前后的特征差异最小化，其次使用灰度直方图计算特征统计矩的方法生成新的六维特征向量，对光照变化前后的特征再次进行损失约束，减小光照的影响；最后使用贝叶斯自适应超参数优化来训练得到识别率最高的权重分配。具体地，本发明通过以下步骤实现上述方法：

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、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，本发明的数据库建立首先在谷歌地图上收集了不同时间，不同光照程度的真实舰船图像12000张。但由于与光照变化相关的数据集不足，所以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来进行实验研究。其中6000张7类舰船样本用来模拟光照，剩余6000张不做处理。