[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

说明书

一种基于深层融合神经网络的温度、亮度特征提取方法，具体方法为：1)采集样本数据；2)生成模拟数据；3)提取目标外形轮廓；4)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。本发明可以高效率的构建复杂自然环境下弱小目标的亮度、温度特征提取模型，为典型恶劣自然环境下伪装特征试验样件的温度、亮度特征长时间监测提供技术储备，有利于试验样件温度、亮度等功能指标的退化规律研究、环境适应性评价与典型环境的服役寿命评估。

技术领域

本发明涉及图像特征提取领域，特别是一种基于深层融合神经网络的温度、亮度特征提取方法。

背景技术

复杂自然场景的温度、亮度、后向散射等特征提取是实施地物分类、分割与目标检测识别、跟踪制导以及目标与自然背景融合分析的必要前提环节，国外在国土资源开发、军事设施环境适应性研究等方面应用的驱动下，引领特征提取算法的发展。国外的特征提取方法主要分为三类，面向谱特征、面向分布特征以及面向多源异构大数据学习特征。第一类常用的方法包括光谱导数和吸收指数、光谱曲率、正交投影散度方法等。这类方法主要通过分析目标多个谱段的辐射特性，提取可反映目标诊断属性的光谱吸收或反射特征。吸收指数法是通过若干波段的代数运算提取目标的辐射特性，这种方法虽然考虑了目标的要素吸收波段，但它根据人工经验选择要素吸收波段，提取的特征通常并不全面。光谱导数法虽然可以提取不同尺度上的目标辐射特性，但其仅是通过差分方式提取不同尺度的特征，方式过于简单。第二类是面向特征分布的特征提取方法，如强散射源分布、强辐射源分布、强反射源分布等。这类方法主要通过特征空间的提取与选择操作，将高维特征空间中的数据变换到低维特征空间中，并同时突出人们感兴趣的目标结构，典型的方法主要有主成分分析PCA、局部保留投影LPP、非负矩阵分解NMF、最小噪声分离MNF以及NPE、LDA、LPP、NWFE等经典方法。第三类方法为面向多源异构大数据学习特征，随着机器学习在图像目标识别领域的大放异彩，许多性能优异的神经网络模型陆续被提出，可根据不同波段、不同距离、不同背景、不同角度、不同时间采集的特征图像，进行神经网络的深度训练，输出代表目标属性的特征向量，极大提升了特征提取算法的自动化、高精度发展，典型的算法包络卷积神经网络CNN、残差神经网络ResNet等。

国内基于国外理论，在面向谱特征、分布特征、多源数据学习特征方面均提出了相应的修正方法，实现对国外技术的跟跑。特别是在机器学习领域涌现除了一大批的神经网络模型，如提出的一种基于卷积神经网络的端到端特征提取方法，针对复杂地面场景下不同尺度的飞机目标，采用轻量级的特征提取网络作为基础网络，设计了多尺度特征融合方法，通过跳跃连接将高层语义特征与低层细节特征进行信息融合，加强了特征的结构化信息，支撑了地面飞机目标的准确检测检测。提出的一种结合显著图和机器学习的遥感影像特征提取方法，针对不同背景环境、不同分辨率的地面飞机目标，首先利用HC算法和Ostu算法对目标进行粗定位并标记候选目标，然后提取候选目标的多种特征进行融合，支撑了对不同机场不同分辨率下基于红外特征的地面飞机目标识别。

但是目前特征提取的准确度与神经网络的复杂度、网络训练时间复杂度相互限制等突出问题，导致特征提取的自动化、信息化水平与特征提取的精度不高，基于国内外关于温度、亮度等特征提取算法的发展差距，以及当前国内外特征提取方法对复杂环境中各种影响因素考虑不全面、神经网络构建的针对性不足等方面的缺陷，本发明提出一种基于深层融合神经网络的温度、亮度伪装特征自动化提取方法，实现复杂自然场景下感兴趣目标的温度、亮度特征自组织、自学习与自优化，极大提升特征提取的准确度与时间效率。

发明内容

本发明的目的就是提供一种基于深层融合神经网络的温度、亮度特征提取方法，它可以构建复杂自然环境下微反射、弱辐射目标的特征提取模型，提升目标与背景融合场景下的弱小特征自动化提取能力。

本发明的目的是通过这样的技术方案实现的，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；