一种基于多波段的低慢小目标识别方法及系统技术方案

本发明专利技术公开了一种基于多波段的低慢小目标识别方法及系统；本发明专利技术根据多波段图像的七种图像类型，对目标检测网络进行识别训练，得到七个多波段图像识别模型，并通过这些模型进行多波段图像识别，得到不同天气条件下的识别率。率。率。

【技术实现步骤摘要】
一种基于多波段的低慢小目标识别方法及系统


[0001]本专利技术属于光电探测与人工智能交叉的
领域，更具体地，涉及一种基于多波段的低慢小目标识别方法及系统。

技术介绍

[0002]在低空空域中使用的飞行器即通常被称为低慢小目标。“低慢小”是“低空、慢速、小型”的缩写，低慢小目标主要是指飞行高度在1000米以下、飞行时速小于200公里、雷达反射面积小于2平方米的航空器具，包括中小型飞机、直升机、滑翔伞、动力伞、无人机、航模、空飘气球、滑翔机、飞艇等等航空飞行设备或航空运输工具。
[0003]针对低慢小目标的识别，目前研究人员主要使用雷达识别和单波段红外图像这两个方法来进行识别。
[0004]雷达识别方法主要是通过雷达传感器对目标进行探测，获得雷达目标回波数据并进行分析，提取目标特征信息，利用模式识别方法对目标特性信息进行统计分析，结合分类判别的方法，对目标进行类型和属性的判别。但是雷达在建筑环境中对低慢小目标的识别能力有限；在识别中极易受到低空杂波等干扰因素的影响，对隐身目标、鸟群探测效果很差，存在一定的局限性。
[0005]单波段红外图像识别方法则是通过图像采集设备获取目标区域的图像或视频信息，进行相应的预处理后在图像数据中识别目标的类别。探测距离适中，且可塑性强，成本低，但同样存在定位低慢小目标困难、不易识别低慢小目标等问题。
[0006]因此，对低慢小目标进行精确识别是急需解决的问题。
[0007]为了便于理解本专利技术，以下对有关术语和相关概念进行解释：目标检测网络：其任务是找出图像中所有感兴趣的目标，确定它们的类别和位置。目标检测网络将目标的定位和识别合二为一，在复杂场景中，可以对多个目标进行实时处理。
[0008]识别率：判断一个低慢小目标为真实目标的概率，其值大于0小于1。
[0009]类别代号：预先定义低慢小目标的类别数，如：4个；各个类别分别设定一个类别代号，例：各个类别分别为飞机、无人机、鸟群和气球，类别代号对应为1、2、3和4；光电探测设备：可以在任意时刻同时获取到空中目标的图像数据、光谱数据、目标速度、目标面积信息等各个数据。

技术实现思路

[0010]针对现有技术的缺陷，本专利技术的目的在于提供一种基于多波段的低慢小目标识别方法及系统，旨在解决对低慢小目标进行精确识别的问题。
[0011]为实现上述目的，本专利技术提供了一种多波段图像识别模型的获取方法，包括以下步骤：（1）样本图像集组成步骤：
各个低慢小目标的同一种图像类型的多波段图像组成一个样本图像集，共得到七个样本图像集；所述多波段图像通过光电探测设备获取；每个低慢小目标的多波段图像包括七种图像类型：白天无云条件下获取到的可见光、短波红外、中波红外和长波红外图像，白天有云条件下获取到的长波红外图像，以及夜间条件下获取到的中波红外、长波红外图像；（2）多波段图像识别模型获取步骤：将七个训练集依次输入目标检测网络进行识别训练，对应得到七个多波段图像识别模型；所述多波段图像识别模型的输入为低慢小目标的多波段图像，其图像类型与对应的训练集中图像的图像类型一致；输出为识别率；所述训练集为对所述样本图像集中每个图像中的低慢小目标进行标记后得到的图像集合；所述目标检测网络是对现有的目标检测网络去除用于大型目标检测的特征图，且通过k均值聚类算法确定先验框而构成。
[0012]本专利技术提供了一种基于如上所述的多波段图像识别模型的多波段图像识别方法，包括以下步骤：（1）图像集组成步骤：单个低慢小目标的七种类型的图像分别组成七个图像集；所述图像通过光电探测设备获取；（2）多波段图像识别步骤：（a）白天无云条件下：将该条件下的可见光、短波红外、中波红外和长波红外图像的四个图像集依次输入对应的所述多波段图像识别模型，对应得到四个识别率：Pw、Pe、Pr、和Pq；然后按以下公式获得所述单个低慢小目标在白天无云条件下的识别率Pi：Pi = w
×
Pw + e
×
Pe + r
×
Pr + q
×
Pq；其中，w、e、r、q对应表示Pw、Pe、Pr、和Pq的加权系数，且w + e + r + q = 1；（b）白天有云条件下：将该条件下的一个图像集输入对应的多波段图像识别模型，得到所述单个低慢小目标在该条件下的识别率Pa；（c）夜间条件下：将该条件下的中波红外、长波红外图像的两个图像集分别输入对应的多波段图像识别模型，对应得到两个识别率：Pz和Py；然后按以下公式获得所述单个低慢小目标在夜间条件下的识别率Px：Px = z
×
Pz+y
×
Py；其中，z、y对应表示Pz和Py的加权系数，且z + y = 1。
[0013]本专利技术提供了一种多波段图像识别模型的获取系统，包括以下模块：样本图像集组成模块：用于将各个低慢小目标的同一种图像类型的多波段图像组成一个样本图像集，共得到七个样本图像集；所述多波段图像通过光电探测设备获取；
每个低慢小目标的多波段图像包括七种图像类型：白天无云条件下获取到的可见光、短波红外、中波红外和长波红外图像，白天有云条件下获取到的长波红外图像，以及夜间条件下获取到的中波红外、长波红外图像；多波段图像识别模型获取模块：用于将七个训练集依次输入目标检测网络进行识别训练，对应得到七个多波段图像识别模型；所述多波段图像识别模型的输入为低慢小目标的多波段图像，其图像类型与对应的训练集中图像的图像类型一致；输出为识别率；所述训练集为对所述样本图像集中每个图像中的低慢小目标进行标记后得到的图像集合；所述目标检测网络是对现有的目标检测网络去除用于大型目标检测的特征图，且通过k均值聚类算法确定先验框而构成。
[0014]本专利技术提供了一种基于如上所述的多波段图像识别模型的多波段图像识别系统，包括以下模块：图像集组成模块：用于将单个低慢小目标的七种类型的图像分别组成七个图像集；所述图像通过光电探测设备获取；多波段图像识别模块：（a）白天无云条件下：将该条件下的可见光、短波红外、中波红外和长波红外图像的四个图像集依次输入对应的所述多波段图像识别模型，对应得到四个识别率:Pw、Pe、Pr、和Pq；然后按以下公式获得所述单个低慢小目标在白天无云条件下的识别率Pi：Pi = w
×
Pw + e
×
Pe + r
×
Pr + q
×
Pq；其中，w、e、r、q对应表示Pw、Pe、Pr、和Pq的加权系数，且w + e + r + q = 1；（b）白天有云条件下：将该条件下的一个图像集输入对应的多波段图像识别模型，得到所述单个低慢小目标在该条件下的识别率Pa；（c）夜间条件下：将该条件下的中波红外、长波红外图像的两个图像集分别输入对应的多波段图像识别模型，对应得到两个识别率：Pz和Py；然后按以下公式获得所述单个低慢小目标在夜间条件下的识别率Px：Px = z
×
Pz+y
×
Py；其中，z、y对应表示P本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多波段图像识别模型的获取方法，其特征在于，包括以下步骤：（1）样本图像集组成步骤：各个低慢小目标的同一种图像类型的多波段图像组成一个样本图像集，共得到七个样本图像集；所述多波段图像通过光电探测设备获取；每个低慢小目标的多波段图像包括七种图像类型：白天无云条件下获取到的可见光、短波红外、中波红外和长波红外图像，白天有云条件下获取到的长波红外图像，以及夜间条件下获取到的中波红外、长波红外图像；（2）多波段图像识别模型获取步骤：将七个训练集依次输入目标检测网络进行识别训练，对应得到七个多波段图像识别模型；所述多波段图像识别模型的输入为低慢小目标的多波段图像，其图像类型与对应的训练集中图像的图像类型一致；输出为识别率；所述训练集为对所述样本图像集中每个图像中的低慢小目标进行标记后得到的图像集合；所述目标检测网络是对现有的目标检测网络去除用于大型目标检测的特征图，且通过k均值聚类算法确定先验框而构成。2.一种基于权利要求1中所述的多波段图像识别模型的多波段图像识别方法，其特征在于，包括以下步骤：（1）图像集组成步骤：单个低慢小目标的七种类型的图像分别组成七个图像集；所述图像通过光电探测设备获取；（2）多波段图像识别步骤：（a）白天无云条件下：将该条件下的可见光、短波红外、中波红外和长波红外图像的四个图像集依次输入对应的所述多波段图像识别模型，对应得到四个识别率：Pw、Pe、Pr、和Pq；然后按以下公式获得所述单个低慢小目标在白天无云条件下的识别率Pi：Pi = w
×
Pw + e
×
Pe + r
×
Pr + q
×
Pq；其中，w、e、r、q对应表示Pw、Pe、Pr、和Pq的加权系数，且w + e + r + q = 1；（b）白天有云条件下：将该条件下的一个图像集输入对应的多波段图像识别模型，得到所述单个低慢小目标在该条件下的识别率Pa；（c）夜间条件下：将该条件下的中波红外、长波红外图像的两个图像集分别输入对应的多波段图像识别模型，对应得到两个识别率：Pz和Py；然后按以下公式获得所述单个低慢小目标在夜间条件下的识别率Px：Px = z
×
Pz+y
×
Py；其中，z、y对应表示Pz和Py的加权系数，且z + y = 1。3.一种多...

【专利技术属性】
技术研发人员：张天序，刘建伟，郭诗嘉，徐海，郭婷，龚伟，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：