基于Faster RCNN的飞行目标协同识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111539422A(43)申请公布日2020.08.14(21)申请号202010286279.X(22)申请日2020.04.13(71)申请人南京理工大学地址210094江苏省南京市玄武区孝陵卫200号(72)发明人黄成魏家豪刘振光刘子淇姚文杰罗涛王力立张永徐志良(74)专利代理机构南京理工大学专利中心32203代理人朱炳斐(51)Int.Cl.G06K9/32(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书3页说明书8页附图1页(54)发明名称基于FasterRCNN的飞行目标协同识别方法(57)摘要本发明公开了一种基于FasterRCNN的飞行目标协同识别方法，包括以下步骤：构建训练数据集；构建FasterRCNN网络；训练FasterRCNN网络；在多个分布式平台上实施训练后的FasterRCNN网络；进行目标检测并将识别结果进行决策级融合，实现目标协同识别。针对变化环境下的飞行目标红外图像识别场景，本发明的方法采用协同识别的方法能够获取目标多角度、多姿态的图像信息，使对象轮廓、姿态等信息更加丰富立体，能够有效地提高目标的识别准确率，同时优化了FasterRCNN网络的锚框生成方法，提高了目标识别的效率。CN111539422ACN111539422A权利要求书1/3页1.一种基于FasterRCNN的飞行目标协同识别方法，其特征在于，所述方法包括以下步骤：步骤1，构建训练数据集；步骤2，构建FasterRCNN网络；步骤3，训练FasterRCNN网络；步骤4，在多个分布式平台上实施训练后的FasterRCNN网络；步骤5，进行目标检测并将识别结果进行决策级融合，实现目标协同识别。2.根据权利要求1所述的基于FasterRCNN的飞行目标协同识别方法，其特征在于，步骤1所述构建训练数据集，具体过程包括：步骤1-1，采集飞行目标的若干红外图像作为样本；步骤1-2，针对每一幅红外图像，从该图像中提取ROI区域，并获取ROI区域的位置信息；步骤1-3，由红外图像以及其对应的标注信息构建训练数据集，并将训练数据集划分为测试集、训练集和验证集；所述标注信息包括ROI区域的坐标以及ROI区域中目标的类型。3.根据权利要求2所述的基于FasterRCNN的飞行目标协同识别方法，其特征在于，步骤2所述构建FasterRCNN网络，具体包括：步骤2-1，对训练数据集进行聚类，获取锚框的几何先验知识，包括锚框的宽高比、尺度及数目；所述尺度为面积；步骤2-2，由步骤2-1确定的锚框替换FasterRCNN网络中固定的9个锚框。4.根据权利要求3所述的基于FasterRCNN的飞行目标协同识别方法，其特征在于，所述FasterRCNN网络中的特征提取网络采用ZF网络。5.根据权利要求3或4所述的基于FasterRCNN的飞行目标协同识别方法，其特征在于，步骤2-1中所述对训练数据集进行聚类，获取锚框的几何先验知识，包括锚框的宽高比、尺度及数目，具体包括：步骤2-1-1，将训练数据集中所有图像的宽和高进行归一化；步骤2-1-2，将归一化图像中ROI区域边界框的左下角归置到原点，实现对所有ROI区域边界框的聚集；令Bboxi＝(wi,hi)，i＝1,2,…,n，wi、hi分别为ROI区域边界框的宽、高，n为ROI区域边界框的数目；步骤2-1-3，对ROI区域边界框的宽高比ratio＝wi/hi进行K-means聚类，获得K1个聚类结果Ri'表示第i'个宽高比，i'＝1,2,…,K1；步骤2-1-4，从n个ROI区域边界框中随机选取K2个ROI区域边界框构建初始质心边界框集合；步骤2-1-5，根据第j个质心边界框到第i个ROI区域边界框的距离，对n个ROI区域边界框进行聚类，生成K2个簇；之后更新质心边界框集合，包括：求取每个簇中所有ROI区域边界框的宽的中值，以该中值作为该簇中所包含的质心边界框的宽；求取每个簇中所有ROI区域边界框的高的中值，以该中值作为该簇中所包含的质心边界框的高；重复该过程直至每个簇质心边界框的更新误差小于预设误差；其中，第j个质心边界框到第i个ROI区域边界框的距离公式为：2CN111539422A权利要求书2/3页式中，表示第j个质心边界框到第i个ROI区域边界框的距离，表示第j个质心边界框与第i个ROI区域边界框的交并面积比，表示为：步骤2-1-6，将K2个质心边界框各自的宽高相乘，获得K2个尺度Sj'表示第j'个尺度，j'＝1,2,…,K2；步骤2-1-7，将步骤2-1-3中的K1个聚类结果步骤2-1-6中的K2个尺度分别与预设的基础锚框尺寸相乘，获得K1×K2个锚框。6.根据权利要求5