[发明专利]一种基于深层融合神经网络的温度、亮度特征提取方法

权利要求书

1.一种基于深层融合神经网络的温度、亮度特征提取方法，其特征在于，具体方法如下：

1)采集样本数据：获取自然环境下试验样件的图像信息，以及试验样件的温度、亮度信息；

2)生成模拟数据：在将试验样件的图像信息加入噪声信息、转换试验样件的姿态，作为模拟数据；

3)提取目标外形轮廓：采用包络线窗口提取的方法，确定样本数据必模拟数据中试验样件的目标外形轮廓信息；

4)构建深层融合神经网络特征模型：将提取的目标外形轮廓信息和试验样件的温度、亮度信息输入信息构建深层融合神经网络特征模型；

5)提取试验样件温度、亮度特征：将待提取试验样件数据的图像数据输入深层融合神经网络特征模型，输出待提取试验样件的温度、亮度特征。

2.如权利要求1所述的基于深层融合神经网络的温度、亮度特征提取方法，其特征在于，步骤3)中所述提取目标外形轮廓的具体方法如下：

3-1)基于图像空间分辨率与目标空间尺寸信息，设计一个目标外形轮廓的包络约束窗口；

3-2)在窗口内，对每一个像元进行该像元到窗口内其它像元的累加距离D计算，以D取得最小值的像元作为与目标相似度最大的像元，公式如下：

D＝{∑distance[f(x_i),f(x_j)|x_i,x_j∈W}

式中，W为移动运算窗口的值域，distance表示距离计算，具体计算方法为：

distance(x_i,x_j)＝(x_i^TPx_j^⊥x_i+x_j^TPx_i^⊥x_j)^1/2

式中，T表示矩阵的转置运算，N＝i,j且I_L×L是L×L维的单位矩阵；

3-3)逐像元移动运算窗口直到完成整个图像的计算，获取整个图像中与目标相似度最大的像元位置。

3.如权利要求1所述的基于深层融合神经网络的温度、亮度特征提取方法，其特征在于，步骤4)中所述构建深层融合神经网络特征模型的具体方法如下：

4-1)构建多尺度卷积神经网络模型；

4-2)构建深度残差神经网络模型；

4-3)对多尺度卷积神经网络模型和深度残差神经网络模型采用取均值的融合策略，构建深层融合神经网络特征模型。

4.如权利要求3所述的基于深层融合神经网络的温度、亮度特征提取方法，其特征在于，步骤4-1)中所述构建多尺度卷积神经网络模型的具体方法如下：

4-1-1)设置1×1、3×3、5×5三种卷积核且采用分组卷积；

4-1-2)采用Leaky RELU非线性激活函数；

4-1-3)在卷积层后连接3×3大小步长为2的池化操作、在较高卷积层中使用Dropout；

4-1-4)构建由12个卷积层和4个最大池化层构成的多尺度卷积神经网络结构。

5.如权利要求3所述的基于深层融合神经网络的温度、亮度特征提取方法，其特征在于，步骤4-2)中所述构建深度残差神经网络模型的具体方法如下：

4-2-1)设置多层卷积层的残差模块单元；

4-2-2)在每个卷积过程之后、激活函数之前，使用批量正则技术以加速整个函数的收敛；

4-2-3)在第一、二个卷积以及批量正则之后，插入激活函数Leaky ReLU；

4-2-4)在第三个卷积、批量正则之后，加上恒等映射的输入再做激活，最终得到输出，构建一个基本的残差单元：

y＝σ(W₃σ(W₂σ(W₁x))+W_sx)

式中，σ为激活函数Leaky ReLU，W为网络权重；

4-2-5)构建由1个卷积层、1个最大池化层、1个平均层、11个残差学习模块组成的深度残差神经网络结构。