一种基于深度卷积神经网络的目标检测识别方法技术

本发明专利技术公开了一种基于深度卷积神经网络的目标检测识别方法，涉及电子信息技术领域，包括基于深度学习的目标检测识别算法设计、模型训练、参数优化等关键技术，设计基于大数据和深度学习技术的具有高精度、强鲁棒性的目标检测识别方法，建设智能识别数据建设

【技术实现步骤摘要】
一种基于深度卷积神经网络的目标检测识别方法


[0001]本专利技术涉及电子信息
，特别是涉及一种基于深度卷积神经网络的目标检测识别方法。

技术介绍

[0002]ATR技术是利用人工智能技术实现对传感器获取的目标特征进行分类和识别的智能化技术，全程不需要人工的干预，是现代战场上武器智能化的重要核心技术。由于真实战场条件下目标容易受到各种背景信息和杂波的干扰，对其进行探测和识别的技术一直是研究的热点。传统的目标识别——特别是复杂地面背景下的目标识别，需要人工参与决策，限制了武器系统的应用范围。机器人技术在战场上的广泛应用也迫切需要人们开发出无人值守的智能识别技术，以减轻控制人员的工作压力。结合计算机技术和智能技术的自动目标识别技术成为解决这些难题的一种有效途径，成为当前各军事强国优先发展的对象。因此，研究复杂战场环境下的高效目标识别方法，对提高武器装备快速、准确和智能化的战场环境感知与理解能力，有效提升作战能力具有重要意义。
[0003]近期，基于深度神经网络的目标检测识别方法已经变得非常活跃并高速发展，这主要取决于深度卷积神经网络和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的目标检测识别方法，其特征在于，该方法包括以下步骤：步骤1，收集图像并建立图像数据集；步骤2，对所述图像数据集中的图像进行标注；步骤3，采用侧抑制网络的二维图像数学模型对含有标注的图像进行预处理，得到对应的特征图；步骤4，将不同尺度的特征图进行融合，形成自适应金字塔结构的融合特征图，利用注意力机制计算融合特征图中各个尺度的特征图的权重，根据权重筛选出适用于不同类型目标的特征图，利用筛选出的特征图对yolov3目标检测识别模型进行训练；步骤5，对训练好的yolov3目标检测识别模型进行压缩；步骤6，使用压缩后的模型进行目标检测识别。2.如权利要求1所述的一种基于深度卷积神经网络的目标检测识别方法，其特征在于，步骤1采用仿真数据与真实数据并举的方法收集图像，数据来源包括：仿真数据、VISDRONE数据集、VEDAI数据集、Dota数据集。3.如权利要求1所述的一种基于深度卷积神经网络的目标检测识别方法，其特征在于，对于步骤1收集的图像，采用图像增强技术对收集到的图像进行数量扩充，形成图像数据集。4.如权利要求3所述的一种基于深度卷积神经网络的目标检测识别方法，其特征在于，采用的图像增强技术包括：(1)图像裁剪：截取图像中的一部分内容；(2)图像缩放：将原始图像的分辨率进行放大或缩小；(3)颜色空间转换：对图像进行颜色空间转换；(4)噪声叠加：在图像中心叠加噪声；(5)图像翻转：分为左右翻转和上下翻转；(6)图像旋转：对图像进行一定角度的旋转；(7)样本不平衡：运用Label shuffle类别不平衡数据处理技术，使最后得到的图像所有类别一样多。5.如权利要求1所述的一种基于深度卷积神经网络的目标检测识别方法，其特征在于，建立所述图像数据集后，还对图像数据集进行初步的处理，包括：(1)对图像建立标注，并对图像和标注进行排序以及命名；(2)将数据集...

【专利技术属性】
技术研发人员：张鹏，赵晓林，邹金霖，田港，郭庆，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：