基于DCT‑CNN模型的无人机着陆地貌图像分类方法技术
UAV landing DCT landform image classification method based on CNN model
The invention discloses a UAV landing DCT landform image classification method based on CNN model, including the following steps: acquiring non training image set UAV landing landform image and test image set; for UAV landing topography image DCT transform, and screening of DCT coefficients; for UAV landing topography image complex scene, rich information the characteristics of the construction of DCT CNN network model; the DCT coefficient of the input training set to train the improved DCT CNN model, and the network parameters are updated until the loss function converges to a smaller value, the end of the training; the training image feature set as the training samples to train SVM classifier; input test set and the test image by layer learning using the trained model, the feature vectors are input to the trained SVM classifier to classify, too To the classification results. The invention reduces the data redundancy, reduces the training time greatly, and effectively improves the classification accuracy of the landform image of the UAV.
【技术实现步骤摘要】
基于DCT-CNN模型的无人机着陆地貌图像分类方法
本专利技术涉及一种无人机着陆地貌图像分类方法，属于模式识别与智能计算、图像处理
，特别涉及一种基于DCT-CNN模型的无人机着陆地貌图像分类方法。
技术介绍
随着技术的进步，无人机(unmannedaerialvehicle，UAV)被广泛的应用到军事侦察、目标攻击、地质勘探、自然灾害监测、交通监控等领域。无人机飞行环境复杂多样，因此快速有效的着陆地貌自动识别成了无人机实现自主导航和探索环境的先决条件，能为飞行任务提供安全保障。目前无人机图像分类大多是针对自然场景的，很少有针对场景复杂、信息丰富的无人机着陆地貌图像分类的算法，并且传统的图像分类方法分类率较低。通过视觉技术实现无人机着陆地貌的自动识别和分类，降低了无人机对外界信息的依赖性，能提高无人机着陆的自主性。近年来，深度学习思想的提出，为机器学习的带来了新的研究领域。卷积神经网络(Convolutionneuralnetwork，CNN)是通过卷积运算由浅层到深层的提取图像不同层次的特征，从低层的模糊、简单的特征到高层逐渐抽象、准确的特征，提取得到高级...
【技术保护点】
基于DCT‑CNN模型的无人机着陆地貌图像分类方法，其特征在于，该方法包括以下步骤，S1：获取无人机着陆地貌图像，图像分为训练图像集和测试图像集；S2：对无人机着陆地貌图像DCT变换，并进行DCT系数的筛选，具体如下：S2.1：首先对无人机着陆地貌图像进行8×8分块，对无人机着陆地貌进行分块后形成子块，对每个子块分别进行DCT变换；S2.2：DCT变换后得到8×8的系数矩阵，对DCT系数进行选择，按照ZigZag扫描的方式保留矩阵左上角的10个低频系数；S2.3：对剩余的54个系数采用系数判别法进行系数选择；提出的系数判别法是：首先求每一个子块的平均值，并设定平均值为每块的...
【技术特征摘要】
1.基于DCT-CNN模型的无人机着陆地貌图像分类方法，其特征在于，该方法包括以下步骤，S1：获取无人机着陆地貌图像，图像分为训练图像集和测试图像集；S2：对无人机着陆地貌图像DCT变换，并进行DCT系数的筛选，具体如下：S2.1：首先对无人机着陆地貌图像进行8×8分块，对无人机着陆地貌进行分块后形成子块，对每个子块分别进行DCT变换；S2.2：DCT变换后得到8×8的系数矩阵，对DCT系数进行选择，按照ZigZag扫描的方式保留矩阵左上角的10个低频系数；S2.3：对剩余的54个系数采用系数判别法进行系数选择；提出的系数判别法是：首先求每一个子块的平均值，并设定平均值为每块的系数阈值，然后对每个子块中剩余的54个系数进行选择，如果系数小于设定的阈值则该系数置0，大于阈值则保留该系数；S2.4：把每幅图像筛选的DCT系数进行整合得到DCT系数矩阵；S3：针对无人机着陆地貌图像场景复杂、信息丰富的特点构建了一个14层用于无人机着陆地貌图像分类的DCT-CNN网络结构，包括一个输入层、五个卷积层、三个池化层，四个ReLU层和一个输出层，具体如下：S3.1：DCT-CNN模型中的五层卷积层为5-6-9-4-1结构，卷积核大小分别为：第一层卷积层是5×5，第二层是6×6，第三层是9×9，第四层是4×4；S3.2：DCT-CNN模型中的池化层采用了平均池化和最大值池化两种方法，总共有三层池化层，第一个池化层采用平均池化，后两层池化采用最大值池化；S3.3：DCT-CNN模型中增加了zeropadding，表示对特征图进行0填充操作，当pad＝1时，将每张输入特征图向四周扩展1格用0填充，填充后相当于长、宽各加2，之后再进行卷积、池化过程；S3.4：在该网络结构中，每一层卷积层后面接着一层激活函数层，是为了给网络加入非线性的因素，使得卷积神经网络可以更好地解决较为复杂的问题，该卷积神经网络中采用的是ReLU激活函数，其公式为：f(x)＝max(0,x)x为ReLU激活函数自变量；S4：将训练集的DCT系数输入到改进的DCT-CNN模型中训练，并对网络进行参数更新，直到损失函数收敛于一个较小的值，训练结束；S5：将训练图像特征集作为训练样本对SVM分类器进行训练；S6：输入测试集，利用训练好的模型对测试图像进行逐层学习，最后将得到的一维特征向量输入到训练好的SVM分类器中进行分类，得到分类结果。2.根据权利要求1所述的基于DCT-CNN模型的无人机着陆地貌图像分类方法，其特征在于，包括以下几个步骤：步骤S1：获取无人机着陆地貌图像，图像分为训练图像集和测试图像集；步骤S2：对无人机着陆地貌图像DCT变换，并进行DCT系数的筛选；一幅图像经过DCT变换，图像的大部分能量聚集在低频DCT系数中，所以低频系数比高频系数更重要，但是完全把高频系数丢弃就会损失太多的图像细节信息；本方法采用保留左上角10个低频系数以及具有较高能量信息的中高频系数，提出了系数判别法对中高频系数进行选择；具体分为以下4个步骤：S2.1：首先对图像进行8×8分块，对每个子块分别进行DCT变换；S2.2：DCT变换后得到8×8的系数矩阵，对DCT系数进行选择，按照ZigZag扫描的方式保留矩阵左上角的10个低频系数；S2.3：对剩余的54个系数采用系数判别法进行系数选择；提出的系数判别法是：首先求每一个子块的平均值，并设定平均值为每块的系数阈值，然后对每个子块中剩余的54个系数进行选择，如果系数小于设定的阈值则该系数置0，大于阈值则保留该系数；S2.4：把每幅图像筛选的DCT系数进行整合得到DCT系数矩阵；步骤S3：针对无人机着陆地貌图像场景复杂、信息丰富的特点构建了一个14层用于无人机着陆地貌图像分类的DCT-CNN网络结构，包括一个输入层、五个卷积层、三个池化层，四个ReLU层和一个输出层；由于CNN模型层数较多、结构复杂，将较大维数的图像直接输入CNN模型中进行训练，会使模型的训练时间较长，导致深层的特征不容易被学习，丢失大部分深层特征信息；本方法根据无人机着陆地貌图像的特点将DCT和CNN的优点结合构建了DCT-CNN模型；将DCT作为深度网络结构的第一层，图像经过DCT变换后得到和原图像相同维度的DCT系数，为了降低输入数据的信息冗余，选择少量的DCT...
【专利技术属性】
技术研发人员：刘芳，路丽霞，黄光伟，王洪娟，王鑫，吴志威，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。