[发明专利]一种基于分层关注深度卷积神经网络的方位历程图中航迹检测与提取方法

权利要求书

1.一种基于分层关注深度卷积神经网络的方位历程图中航迹检测与提取方法，其特征在于：包括以下步骤：

步骤1：获取彩色方位历程图N张，其中每张方位历程图长为H，高为L，色彩深度为E；将每张H×L的方位历程图C按颜色通道分解R、G、B，并转换为灰度图I；且将彩色方位历程图C通过直方图均衡化算法得到彩色直方图均衡化结果图H_colour；

步骤2：对于每张彩色方位历程图的灰度图I，还获取对应的直方图均衡化结果图H_gray，边缘图像G_sobel以及混合灰度预处理结果图G_mix；

其中混合灰度预处理结果图G_mix通过以下过程得到：将灰度图I通过中值滤波得到I_median，然后将I_median直方图均衡化得到I_median-h，最后将I_median-h通过Sobel算法得到混合灰度预处理结果图G_mix；

步骤3：构建方位历程图航迹检测与提取的深度卷积神经网络模型HADCNN；

所述深度卷积神经网络模型HADCNN由航迹区域检测模块和航迹区域中航迹位置检测与提取模块构成；

所述航迹区域检测模块是由N₁层卷积层、M₁层池化层、M₁层上采样层构成的航迹区域检测网络；

所述航迹区域中航迹位置检测与提取模块是由N₂层卷积层、M₂层池化层、M₂层上采样层构成的航迹区域中航迹位置检测与提取网络；

步骤4：构建HADCNN模型训练集，该训练集由航迹区域检测模块子训练集和区域中航迹位置检测与提取模块子训练集两部分构成；

其中航迹区域检测模块训练集X₁包含由H_colour、H_gray、G_sobel构成的训练图像集与航迹区域类标图二值化处理后的类标图

步骤5：设置航迹区域检测网络结构参数：网络层数、各层神经元节点数、学习率、衰减速率λ₁；设置训练参数：迭代总次数T₁、早停步数s₁、批大小m₁；初始化航迹区域检测网络模型参数W₁；将航迹区域检测模块训练集X₁分为多个包含m₁个训练图像的小批量数据集B₁；

步骤6：选择一个小批量数据集作为航迹区域检测网络模块f₁的输入，0＜j≤m₁，在模型参数W₁作用下计算出航迹区域检测输出Y₁：并计算误差损失L₁，然后更新航迹区域检测网络模型参数；

步骤7：重复步骤6，当连续s₁次迭代，损失L₁没有减小，或当迭代次数t满足t＞T₁时，则停止迭代，得到训练好的航迹区域检测模块f₁；

步骤8：设定航迹区域占比阈值p，根据航迹区域检测模块f₁的检测结果Y₁，选取h×h区域中航迹区域占比大于p的所有Y₁局部区域，并记录所有局部区域中心坐标V_k,按照V_k坐标切割H_colour、H_gray、G_mix，得到区域中航迹位置检测与提取训练图像集构成区域中航迹位置检测与提取训练集X₂；同时按照V_k坐标切割二值化的航迹类标图得到区域航迹类标图

步骤9：设置区域中航迹位置检测与提取网络结构参数：网络层数、各层神经元节点数、学习率、衰减速率λ₂；设置训练参数：迭代总次数T₂、早停步数s₂、批大小m₂；初始化区域中航迹位置检测与提取网络模型参数W₂；将区域中航迹位置检测与提取训练集X₂分为多个包含m₂个训练图像的小批量数据集B₂；

步骤10：选择一个小批量数据集作为区域中航迹位置检测与提取模块f₂的输入，0＜t≤m₂，在模型参数W₂作用下，计算出区域中航迹位置检测输出Y₂：并计算误差损失L₂，然后更新区域中航迹位置检测与提取网络模型参数；

步骤11：重复步骤10，当连续s₂次迭代，损失L₂没有减小，或当迭代次数t满足t＞T₂时，则停止迭代，得到训练好的区域中航迹位置检测与提取模块f₂；

步骤12：对于待检测的方位历程图，按照步骤1和步骤2进行处理，然后输入训练好的HADCNN模型进行识别，并按照切割位置V_k，将识别结果拼接重叠还原，得到方位历程图航迹提取图。