一种基于深度学习的伪装军事目标识别方法及系统技术方案

一种基于深度学习的伪装军事目标识别方法及系统，第一步：将采集的地理图像进行预处理：第二步：将预处理之后的地理图像与地理信息库中检索出来的该地域、同时段标准图像进行重合匹配差异对比；第三步：将通过差异点比对有明显差异的图像传入放置于云服务器端的卷积神经网络代码块中，进行识别，经过多次的卷积、池化、降维直至网络收敛，融合出特征图像后进入全连接层，将特征图像转化为向量并将输出向量继续传入函数分类器中执行分类器中的SoftMax Loss算法得到图片分类结果。本发明专利技术极大减少了人工成本，且通过计算机自动学习，与传统人工识别相比，识别效率和准确度都有了极大提升。

【技术实现步骤摘要】
一种基于深度学习的伪装军事目标识别方法及系统
本专利技术实施设计目标自动识别领域，更具体为一种对伪装军事目标图像的识别系统。
技术介绍
随着军事科技的发展，未来战争呈现出多元化、复杂化的趋势。军事目标信息的获取可凭借多种渠道实现，其中通过诸如车载、机载、卫星、无人机载等平台获取包含军事目标信息的图像，是常用的技术手段。由于军事目标通常分布在复杂的地形、地貌环境中，而且许多目标被刻意伪装，针对这些海量图像数据信息的处理和解析，将面临巨大的计算量。深度学习技术在军事目标图像处理过程中可以发挥其特有的优势。基于深度学习的地面军事目标识别研究是非常必要且具有创新性的工作，在未来的战争、军事模拟演练以及和平时代侦查中将发挥重要的作用，通过对海量图像进行自动分析，将分析结果作为战场形势评估的基础，可为指挥员的战术制定提供参考。
技术实现思路
：专利技术目的：本专利技术的目的在于提供一种基于深度学习的对伪装地面军事目标识别的系统，以解决上述
技术介绍
中提出的问题。技术方案为了解决上述技术问题，本专利技术提供如下技术方本文档来自技高网...

【技术保护点】
1.一种基于深度学习的伪装军事目标识别方法，其特征在于：该方法的步骤如下：/n第一步：将采集的地理图像进行预处理：/n第二步：将预处理之后的地理图像与地理信息库中检索出来的该地域、同时段标准图像进行重合匹配差异对比；/n第三步：将通过差异点比对有明显差异的图像传入卷积神经网络代码块中，进行识别，经过多次的卷积、池化、降维直至网络收敛，融合出特征图像后进入全连接层，将特征图像转化为向量并将输出向量继续传入函数分类器中执行分类器中的SoftMax Loss算法得到图片分类结果。/n

【技术特征摘要】
1.一种基于深度学习的伪装军事目标识别方法，其特征在于：该方法的步骤如下：
第一步：将采集的地理图像进行预处理：
第二步：将预处理之后的地理图像与地理信息库中检索出来的该地域、同时段标准图像进行重合匹配差异对比；
第三步：将通过差异点比对有明显差异的图像传入卷积神经网络代码块中，进行识别，经过多次的卷积、池化、降维直至网络收敛，融合出特征图像后进入全连接层，将特征图像转化为向量并将输出向量继续传入函数分类器中执行分类器中的SoftMaxLoss算法得到图片分类结果。


2.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法，其特征在于：
包括：第一步中的预处理为处理芯片中针对采集图像不同的噪声类型利用滤波算法实现对图像噪声的去除。


3.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法，其特征在于：
第二步中的重合匹配差异对比如下：将采集图片与从地理信息库中检索出的图片数据进行重合比对，并使用opencv库中的模板匹配函数matchTemplate，自动匹配局部变量，寻找重合后的匹配点，找出匹配点后，将非匹配的区域用方框标记。


4.根据权利要求3所述的一种基于深度学习的伪装军事目标识别方法，其特征在于：
所述重合比对步骤如下：
首先使用加权平均法将地理信息库中检索出的标准图像和采集图像转化为灰度图，然后将两张灰度图片重叠，对比图像中的差异点。


5.根据权利要求1所述的一种基于深度学习的伪装军事目标识别方法，其特征在于：第二步中的检索方法采用差异hash算法(无)，首先将图片缩小到9*8像素并转化为灰度图，后计算相邻像素之间的差异值并获取指纹，最后做出指纹对比，即计算两幅图片的汉明距离，汉明距离越大则说明图片越不一致，当距离为0时，说明完全相同。


6...

【专利技术属性】
技术研发人员：邵虹，叶春晖，崔文成，刘阳，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：辽宁;21