本发明专利技术提供一种图像识别方法、装置、设备、介质及计算机产品，该方法包括：获取待识别的合成孔径雷达图像；将所述合成孔径雷达图像进行小波变换处理，以生成对应图像变换数据和小波变换系数；将所述图像变换数据和所述小波变换系数输入训练至收敛的图像识别神经网络模型，以识别所述合成孔径雷达图像中的目标对象。本发明专利技术的图像识别方法，通过小波变换处理将合成孔径雷达图像转化为图像变换数据和小波变换系数，然后通过训练至收敛的图像识别神经网络模型，以小波变换为基础，对合成孔径雷达图像进行乘性噪声滤波降噪，并识别出图像中的目标对象，提高了图像识别的准确性。提高了图像识别的准确性。提高了图像识别的准确性。
【技术实现步骤摘要】
图像识别方法、装置、设备、介质及计算机产品
[0001]本专利技术涉及图像识别
，尤其涉及一种图像识别方法、装置、设备、介质及计算机产品。
技术介绍
[0002]随着科技的不断发展，人们对室内安全的重视程度也日益提高，例如金融类企业很重视其固有资产以及抵押资产的安全存储。室内目标检测雷达因其能全方位、全天候进行检测的特点，被作为室内目标检测首选。
[0003]合成孔径雷达(英文全称为：Synthetic Aperture Radar，英文简称为：SAR)图像成像基础是相干原理，容易导致SAR图像中产生斑点噪声，影像目标检测的准确性。
[0004]目前对SAR图像的图像识别方式主要是通过恒虚警率检测算法，该方式主要利用图像灰度的统计分布特征进行检测，鲁棒性与抗干扰能力差，从而导致图像识别的准确性较低。
技术实现思路
[0005]本专利技术提供一种图像识别方法、装置、设备、介质及计算机产品，用以解决目前SAR图像的图像识别方式的图像识别准确性较低的问题。
[0006]本专利技术第一方面提供一种图像识别方法，包括：
[0007]获取待识别的合成孔径雷达图像；
[0008]将所述合成孔径雷达图像进行小波变换处理，以生成对应图像变换数据和小波变换系数；
[0009]将所述图像变换数据和所述小波变换系数输入训练至收敛的图像识别神经网络模型，以识别所述合成孔径雷达图像中的目标对象。
[0010]进一步地，如上所述的方法，所述获取待识别的合成孔径雷达图像，包括：
[0011]获取合成孔径雷达生成的初始图像；
[0012]对所述初始图像进行辐射定标处理和归一化处理以生成待识别的合成孔径雷达图像。
[0013]进一步地，如上所述的方法，所述训练至收敛的图像识别神经网络模型包括：输入层、卷积神经网络和输出层；
[0014]所述将所述图像变换数据和所述小波变换系数输入训练至收敛的图像识别神经网络模型，以识别所述合成孔径雷达图像中的目标对象，包括：
[0015]采用输入层将所述图像变换数据和所述小波变换系数输入所述卷积神经网络；
[0016]采用所述卷积神经网络根据所述小波变换系数对所述图像变换数据进行特征提取以及降噪处理，以生成对应目标特征图；
[0017]采用输出层对所述目标特征图进行识别，以识别出所述目标对象。
[0018]进一步地，如上所述的方法，所述卷积神经网络包括卷积层、预设激活函数和池化
层；
[0019]所述采用所述卷积神经网络根据所述小波变换系数对所述图像变换数据进行特征提取以及降噪处理，以生成对应目标特征图，包括：
[0020]采用所述卷积层对所述图像变换数据进行特征提取，以生成对应的图像特征；
[0021]采用所述预设激活函数对所述图像特征进行乘性噪声滤波处理、小波逆变换处理和非线性化处理，以生成对应非线性化特征；
[0022]采用所述池化层将非线性化特征进行降维处理，以生成所述目标特征图。
[0023]进一步地，如上所述的方法，所述预设激活函数为：
[0024][0025]其中，为预设激活子函数，为小波系数阈值；
[0026]预设激活子函数为：
[0027][0028]其中，y为小波系数阈值。
[0029]进一步地，如上所述的方法，所述将所述图像变换数据和所述小波变换系数输入训练至收敛的图像识别神经网络模型，以识别所述合成孔径雷达图像中的目标对象之前，还包括：
[0030]获取训练样本，所述训练样本中包括：已标注目标对象的RGB图像样本；所述RGB图像样本由摄像头拍摄获得；
[0031]将所述训练样本输入到预设残差网络Resnet101中，以对所述预设残差网络Resnet101进行训练；
[0032]采用focal loss损失函数和回归损失函数确定所述预设残差网络Resnet101模型是否满足预设的收敛条件；
[0033]若所述预设残差网络Resnet101模型满足收敛条件，则将所述预设残差网络Resnet101模型作为老师网络，以对预设图像识别神经网络模型进行训练；
[0034]将满足收敛条件的预设图像识别神经网络模型确定为训练至收敛的图像识别神经网络模型。
[0035]本专利技术第二方面提供一种图像识别装置，包括：
[0036]获取模块，用于获取待识别的合成孔径雷达图像；
[0037]生成模块，用于将所述合成孔径雷达图像进行小波变换处理，以生成对应图像变换数据和小波变换系数；
[0038]识别模块，用于将所述图像变换数据和所述小波变换系数输入训练至收敛的图像识别神经网络模型，以识别所述合成孔径雷达图像中的目标对象。
[0039]进一步地，如上所述的装置，所述获取模块具体用于：
[0040]获取合成孔径雷达生成的初始图像；对所述初始图像进行辐射定标处理和归一化处理以生成待识别的合成孔径雷达图像。
[0041]进一步地，如上所述的装置，所述训练至收敛的图像识别神经网络模型包括：输入层、卷积神经网络和输出层；
[0042]所述识别模块具体用于：
[0043]采用输入层将所述图像变换数据和所述小波变换系数输入所述卷积神经网络；采用所述卷积神经网络根据所述小波变换系数对所述图像变换数据进行特征提取以及降噪处理，以生成对应目标特征图；采用输出层对所述目标特征图进行识别，以识别出所述目标对象。
[0044]进一步地，如上所述的装置，所述卷积神经网络包括卷积层、预设激活函数和池化层；
[0045]所述识别模块在采用所述卷积神经网络根据所述小波变换系数对所述图像变换数据进行特征提取以及降噪处理，以生成对应目标特征图时，具体用于：
[0046]采用所述卷积层对所述图像变换数据进行特征提取，以生成对应的图像特征；采用所述预设激活函数对所述图像特征进行乘性噪声滤波处理、小波逆变换处理和非线性化处理，以生成对应非线性化特征；采用所述池化层将非线性化特征进行降维处理，以生成所述目标特征图。
[0047]进一步地，如上所述的装置，所述预设激活函数为：
[0048][0049]其中，为预设激活子函数，为小波系数阈值；
[0050]预设激活子函数为：
[0051][0052]其中，y为小波系数阈值。
[0053]进一步地，如上所述的装置，所述装置还包括：
[0054]训练模块，用于获取训练样本，所述训练样本中包括：已标注目标对象的RGB图像样本；所述RGB图像样本由摄像头拍摄获得；将所述训练样本输入到预设残差网络Resnet101中，以对所述预设残差网络Resnet101进行训练；采用focal loss损失函数和回归损失函数确定所述预设残差网络Resnet101模型是否满足预设的收敛条件；若所述预设残差网络Resnet101模型满足收敛条件，则将所述预设残差网络Resnet101模型作为老师网本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：获取待识别的合成孔径雷达图像；将所述合成孔径雷达图像进行小波变换处理，以生成对应图像变换数据和小波变换系数；将所述图像变换数据和所述小波变换系数输入训练至收敛的图像识别神经网络模型，以识别所述合成孔径雷达图像中的目标对象。2.根据权利要求1所述的方法，其特征在于，所述获取待识别的合成孔径雷达图像，包括：获取合成孔径雷达生成的初始图像；对所述初始图像进行辐射定标处理和归一化处理以生成待识别的合成孔径雷达图像。3.根据权利要求2所述的方法，其特征在于，所述训练至收敛的图像识别神经网络模型包括：输入层、卷积神经网络和输出层；所述将所述图像变换数据和所述小波变换系数输入训练至收敛的图像识别神经网络模型，以识别所述合成孔径雷达图像中的目标对象，包括：采用输入层将所述图像变换数据和所述小波变换系数输入所述卷积神经网络；采用所述卷积神经网络根据所述小波变换系数对所述图像变换数据进行特征提取以及降噪处理，以生成对应目标特征图；采用输出层对所述目标特征图进行识别，以识别出所述目标对象。4.根据权利要求3所述的方法，其特征在于，所述卷积神经网络包括卷积层、预设激活函数和池化层；所述采用所述卷积神经网络根据所述小波变换系数对所述图像变换数据进行特征提取以及降噪处理，以生成对应目标特征图，包括：采用所述卷积层对所述图像变换数据进行特征提取，以生成对应的图像特征；采用所述预设激活函数对所述图像特征进行乘性噪声滤波处理、小波逆变换处理和非线性化处理，以生成对应非线性化特征；采用所述池化层将非线性化特征进行降维处理，以生成所述目标特征图。5.根据权利要求4所述的方法，其特征在于，所述预设激活函数为：其中，为预设激活子函数，为小波系数阈值；预设激活子函数为：其中，y为小波系数阈值。6.根据权利要...
【专利技术属性】
技术研发人员：李辉芳，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：
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。