【技术实现步骤摘要】
一种基于深度学习的高光谱图像伪装目标检测方法
本专利技术涉及伪装目标检测
，尤其是一种基于深度学习的高光谱图像伪装目标检测方法。
技术介绍
伪装目标是指采用工程技术措施和利用地形、地物进行隐蔽的目标。按照目标的运动特性，可分为固定伪装目标(电子设备、军用设施等)和活动伪装目标(如人员、车辆、舰艇等)。针对固定伪装目标，传统的目标检测方法首先通过滑动窗口搜索出图像中目标可能出现的位置，然后采用SIFT、HOG等特征对图像中的目标进行特征提取，最后将提取到的目标特征输入SVM等分类器进行分类识别。针对运动伪装目标，可通过Laws能量检测和变化频次检测等方法，检测动态背景下某些具有伪装色的移动目标。然而，以上方法都基于可见光或红外图像视频设计，应用场景受限，无法全天候工作。如果采用多源图像融合检测的方式，则会大大增加检测成本。高光谱成像技术是指在一定波段范围内获取探测对象光谱辐射信息的技术手段。高光谱图像不仅可获取目标及背景的空间信息，还可同时获取丰富的光谱信息。利用高光谱图像中人造目标与背景光谱信息的差异，可大大拓...
【技术保护点】
1.一种基于深度学习的高光谱图像伪装目标检测方法，其特征在于，包括如下步骤：/na.构建高光谱数据集：包括高光谱数据集的采集、预处理、划分和标注的步骤，得到训练数据集和测试数据集；/nb.构建目标检测模型：使用开源的Mask R-CNN模型，并针对输入的高光谱数据集对Mask R-CNN模型进行调整，构建目标检测模型；/nc.训练模型：使用训练数据集对步骤b构建的目标检测模型进行训练；/nd.测试模型：使用步骤c训练后的目标检测模型对测试数据集进行检测识别。/n
【技术特征摘要】
1.一种基于深度学习的高光谱图像伪装目标检测方法，其特征在于，包括如下步骤：
a.构建高光谱数据集：包括高光谱数据集的采集、预处理、划分和标注的步骤，得到训练数据集和测试数据集；
b.构建目标检测模型：使用开源的MaskR-CNN模型，并针对输入的高光谱数据集对MaskR-CNN模型进行调整，构建目标检测模型；
c.训练模型：使用训练数据集对步骤b构建的目标检测模型进行训练；
d.测试模型：使用步骤c训练后的目标检测模型对测试数据集进行检测识别。
2.根据权利要求1所述的基于深度学习的高光谱图像伪装目标检测方法，其特征在于，步骤a包括如下子步骤：
a1.高光谱数据集的采集：使用高光谱相机采集高光谱图像，采集的高光谱图像中包含伪装目标；
a2.高光谱数据集的预处理：
(1)将采集的高光谱图像的维度统一裁剪为h×w×c，其中h、w、c分别为高光谱图像的高、宽、光谱通道数；
(2)使用数据降维方法对裁剪后的高光谱图像进行降维处理，得到降维后的高光谱图像，降维后的高光谱图像的维度为h×w×n,其中n表示降维时提取的成分数量，使用降维后的高光谱图像作为高光谱数据集；
a3.高光谱数据集的划分：将步骤a2得到的高光谱数据集划分为训练数据集和测试数据集，并且所述训练数据集和测试数据集的数量比为(7：3)～(8：2)；
a4.高光谱数据集的标注：对所述训练数据集添加标签，该标签针对高光谱图像中的伪装目标进行添加。
3.根据权利要求2所述的基于深度学习的高光谱图像伪装目标检测方法，其特征在于，所述数据降维方法包括但不限于主成分分析法、独立成分分析法和非负矩阵分解法。
4.根据权利要求1所述的基于深度学习的高光谱图像伪装目标检测方法，其特征在于，步骤b中所述目标检测模型的结构包括：
b1.骨干网络：所述骨干网络采用特征金字塔网络结构，用于对输入的高光谱图像进行特征提取，输出多个尺度的特征图；
b2.候选区域生成网络：所述候选区域生成网络为全卷积网络，用于针对骨干网络输出的多个尺度的特征图，生成多种尺寸的锚框，并以此建立候选区域；
b3.头部网络：包括RoIA...
【专利技术属性】
技术研发人员：闫超，张伊慧，付强，王正伟，胡友章，王志勇，
申请(专利权)人：四川九洲电器集团有限责任公司，
类型：发明
国别省市：四川;51
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。