一种基于深度学习模板匹配的长航迹实时识别方法技术

本发明专利技术公开了一种基于深度学习模板匹配的长航迹实时识别方法，其过程为：将采集数据的数据从全局角度标注制作数据集；采用动态滑动窗口的方式，将数据映射为航迹图像；构建基于深度学习的模板匹配模型；将航迹映射为固定长度的嵌入向量；对训练集的嵌入向量聚类得到类模板；再利用网络得到测试集嵌入向量，与类模板进行相似度比较判定航迹类型。本发明专利技术采用动态滑窗方法将航迹映射到图像上，解决了长航迹实时识别中航迹起始点位置的问题；采用了基于深度学习的模板匹配模型，将映射为嵌入向量，与航迹类模板进行匹配，避免了窗口航迹不完整或长航迹中出现未知类别的情况，相较于以往方法更具鲁棒性，能实时判断长航迹中存在的航迹类别及位置。航迹类别及位置。航迹类别及位置。

【技术实现步骤摘要】
一种基于深度学习模板匹配的长航迹实时识别方法


[0001]本专利技术涉及计算机视觉和模式识别领域，尤其是一种基于深度学习模板匹配的长航迹实时识别方法。

技术介绍

[0002]随着人工智能技术的发展，使用深度学习处理图像问题取得了极大的进展，在不同场合应用广泛。通过传感器数据对目标航迹进行判断对军事或是公共安全领域有着重要的作用。传统上通过人工判断目标航迹，在长航时实时任务上，人工只能同时处理单一目标航迹数据，随着目标航迹数量和时间的增加，人工很难对所有数据实时监控并及时决策。
[0003]现有的航迹方法中，使用传统算法不能有效解决航迹中扰动和噪音的问题；而现有神经网络对航迹信息进行判断，使用的均是人工处理后的数据或图像进行训练，网络不能自主对航迹起始点进行判断，无法解决包含多种航迹的长航迹问题，仅能对人工筛选后的单一航迹图像进行识别。并且已有的深度学习方法在应对未知航迹类别上不具有鲁棒性，在出现未知类别时会将未知类别识别为已知类，这就要求训练集必须包含所有类别，然而在实际的长航迹中，可能包含其他复杂行为，除了训练集中的已知类，对未知类的判定也是非常重要的。
[0004]孪生神经网络技术，孪生神经网络是一种匹配网络，训练时采用1组样本，包含同类样本和异类样本，能够通过卷积滤波器自动学习不同样本的嵌入向量，模型能够增强同类样本的向量相似性，减弱不同样本间的相似性。最终通过嵌入向量提取模块得到样本向量，通过比较样本间相似性可以实现对目标的判别。
[0005]综上所述，本专利技术同时解决了实时长航迹中多类型航迹难以判别的问题以及现有航迹识别方法不能对未知类划分的问题。

技术实现思路

[0006]本专利技术针对实时长航迹中包含多类型航迹难以判别以及现有航迹识别方法不能对未知类划分的问题，提供了一种基于深度学习模板匹配的长航迹实时识别方法。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习模板匹配的长航迹实时识别方法，具体包括以下步骤：步骤S1：实时接收长航迹实时数据进行处理，得到实时航迹映射图像；步骤S2：选取长实时航迹中有效类别进行标记，使用有效类别和未知类别对孪生神经网络训练，得到训练后的网络；步骤S3：将训练集中有效类别输入到训练后的嵌入向量提取模块，得到训练集的嵌入向量；步骤S4：对训练集的嵌入向量使用聚类算法，找到类模板；步骤S5：将实时测试数据映射为图像输入到训练后网络，得到嵌入向量；步骤S6：使用相似度度量函数计算测试数据的嵌入向量后，计算嵌入向量和类模
板相似度，并根据相似度判断航迹类别；优选的，所述步骤S1中的数据是实时接收并判断的，一段长航迹中可能包含多种类别的航迹，并且也包含未定义的未知类别航迹。
[0008]优选的，所述步骤S1中实时航迹映射图像的方法使用滑动窗口的方式，在映射过程中修正因数据点的数量和方向不同带来的线条粗细变化和尺度变化。
[0009]优选的，所述步骤S1中滑动窗口的尺度选择，根据目标类型进行选择，一般包括船，飞机，潜艇等军事目标。
[0010]优选的，所述步骤S1中得到实时航迹映射图像的方法为，根据目标类型综合考虑实时性和有效性，针对不同的目标使用不同的采样频率。
[0011]优选的，所述步骤S1中从开始接收实时数据算起，数据总量小于滑动窗口长度时，将采样后数据补空值至窗口长度后再进行映射；数据总量超出滑动窗口的长度后，则每次从当前时刻起，向前查询一个滑动窗口长度的数据，采样后再进行映射。
[0012]优选的，所述步骤S2中实时接收的数据进行标注，可识别的同类航迹归入一类，不可识别的航迹均划入未知类。
[0013]优选的，所述步骤S2中对实时接收的数据组成训练集使用离线数据增强的方式扩充数据，人工二次筛选标注。
[0014]优选的，所述步骤S2中采用了孪生神经网络技术，孪生神经网络是一种匹配网络，训练时采用1组样本，分别是两个同类样本和一个异类样本；通过嵌入向量提取模块得到1组嵌入向量；使用欧式距离判断组内样本间的相似度，通过损失函数监督同类样本的相似度尽可能接近，异类样本的相似度尽可能远离，得到训练好的嵌入向量模块。
[0015]优选的，所述步骤S2中孪生网络中的嵌入向量提取模块采用卷积神经网络，将实时航迹图像通过多层卷积对特征进行提取，得到固定维度的嵌入向量。
[0016]优选的，所述步骤S3中将训练集中有效的类别送入嵌入向量模块得到有效类别的嵌入向量。
[0017]优选的，所述步骤S4中对有效类别的嵌入向量使用聚类算法，分别找到各类的聚类中心点作为该类的类模板。
[0018]优选的，所述步骤S5中将待测试的数据输入到嵌入向量提取模块中，得到测试航迹的向量值。
[0019]优选的，所述步骤S5中将待测试的向量值和类模板进行对比，一般采用欧式距离作为度量函数，与模板间数值小于阈值即可判定数据为该类别。
[0020]优选的，所述步骤S5中出现未知类别或者训练集中未出现的航迹，也可有效和已知类别区分开，避免深度学习分类网络无法识别未知类的弊端。
[0021]本专利技术与现有技术相比，具有以下的有益效果：采用了深度学习匹配网络技术结合聚类的方法解决了现有航迹识别方法不能对未知类划分的问题；采用了滑动窗口方法，解决了实时长航迹中包含多类型航迹难以判别的问题，有效提升了本专利技术在长航迹中对航迹类型实时识别的有效性和鲁棒性。
附图说明
[0022]图1为本专利技术的流程示意图。
具体实施方式
[0023]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0024]如图1所示，一种基于深度学习模板匹配的长航迹实时识别方法，具体包括以下步骤：步骤S1：实时接收长航迹数据进行处理，每段长航迹可能包含多种航迹行为，定义每40个时间戳采集一次数据。利用滑窗方法将采集数据映射到图中，滑窗尺度根据已知目标类别进行确定，这里选用1000个点，在数量未达到1000个点时，滑窗保持不动。超过阈值时，从当前时刻向前取1000个点进行映射。在映射过程中调整所有图像线条粗细变化和尺度变化一致，得到大小为224x224的实时航迹映射图像数据集。
[0025]步骤S2：将实时接收的数据划分为训练集和测试集，使用离线数据增强的方式扩充数据，使用旋转，平移，翻转扩充图像样本，由于部分数据在经过增强后会丢失原本的类别特征，需要人工二次筛选标注。
[0026]步骤S3：首先构建深度学习匹配网络，深度学习匹配网络包含嵌入向量提取模块和比较网络。提取模块采用多层卷积滤波器堆叠的方式，使用ResNet18作为提取模块，图像经编码后通过两层全连接层和Relu激活函数将训练集样本映射为向量表示，嵌入向量的维度定义为2。比较网络分别将两个同类航迹的嵌入向量作为正样本、其他类别的嵌入向量作为负样本作为一组样本输入，距离度量函数使用欧氏距离，损失本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，具体包括以下步骤：步骤S1：实时接收长航迹实时数据进行处理，得到实时航迹映射图像；步骤S2：选取长实时航迹中有效类别进行标记，使用有效类别和未知类别对孪生神经网络训练，得到训练后的网络；步骤S3：将训练集中有效类别输入到训练后的嵌入向量提取模块，得到训练集的嵌入向量；步骤S4：对训练集的嵌入向量使用聚类算法，找到类模板；步骤S5：将实时测试数据映射为图像输入到训练后网络，得到嵌入向量；步骤S6：使用相似度度量函数计算测试数据的嵌入向量后，计算嵌入向量和类模板相似度，并根据相似度判断航迹类别。2.根据权利要求1所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S1中的数据是实时接收并判断的，一段长航迹中包含多种类别的航迹，并且也包含未定义的未知类别航迹。3.根据权利要求1所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S1中实时航迹映射图像的方法使用滑动窗口的方式，在映射过程中修正因数据点的数量和方向不同带来的线条粗细变化和尺度变化；滑动窗口的尺度选择，根据目标类型进行选择，包括船，飞机，潜艇军事目标。4.根据权利要求1所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S1中得到实时航迹映射图像的方法为，根据目标类型综合考虑实时性和有效性，针对不同的目标使用不同的采样频率。5.根据权利要求3所述的一种基于深度学习模板匹配的长航迹实时识别方法，其特征在于，所述步骤S1中从开始接收实时数据算起，数据总量小于滑动窗口长度时，将采样后数据补空值至窗口长度后再进行映射；数据总...

【专利技术属性】
技术研发人员：丘成桐，李新德，张朕通，刘义海，王航宇，
申请(专利权)人：南京应用数学中心，
类型：发明
国别省市：