一种基于卷积神经网络的局部舰船识别方法技术

本发明专利技术公开了一种基于卷积神经网络的局部舰船识别方法，该方法包括如下步骤：将原始的舰船图片进行裁剪分割构成补丁集，将分割后的图片进行采样后输入到改进的Siamese孪生网络进行训练，提取局部关键特征向量，作为后续目标匹配的特征库。将待识别的局部缺损舰船图片输入到改进的Siamese网络提取特征向量后，与特征库进行匹配后，输出特征对，将特征对输入Metric network训练测度网络，得到相似度概率，相似度大于一定阈值则判断该缺损图像为舰船。船。船。

【技术实现步骤摘要】
一种基于卷积神经网络的局部舰船识别方法


[0001]本专利技术涉及图像识别领域，具体为一种基于卷积神经网络的局部舰船识别方法。

技术介绍

[0002]在军事方面，随着海洋战略地位也日益提高，围绕海洋的竞争也空前激烈，为了提高对于海洋的监管与控制能力，各国逐渐加大了海洋监测的研究。在国防建设方面，舰船作为新时代的重要交通和军事装备，快速获取我国领海和国际热点地区的舰船信息，对我国国防安全具有重要的意义。
[0003]在早期对于海上舰船识别这一主题的研究较多的是将检测与识别分开，Wang Ruifu等提出一种基于CFAR全局检测算法和CNN模型的图像识别的检测算法。Deng Zhipeng等设计的算法包括两个检测子网络，其中一个用于生成多尺度建议框，另一个是基于特征融合的高精度识别网络，对小而密集的船舶目标能够产生更强的响应。随着图像处理与人工智能技术的发展，近几年目标检测算法得到了快速的发展，通过目标检测算法可以将舰船目标的定位与分类一同进行。

技术实现思路

[0004]为解决现有技术在舰船图像局部缺损的情况下识别不准确的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的局部舰船识别方法，其特征在于：包括以下步骤：(1)获取多种类型的舰船图片，并对每张舰船图片像素大小进行统一，再进行标注得到舰船数据集；(2)对舰船数据集按像素进行分割得到相应的补丁集；(3)在目标检测数据集上训练改进的Siamese网络，得到预训练权重文件；(4)加载步骤(3)的预训练权重文件，在舰船数据集以及补丁集上重复步骤(3)，提取关键特征向量，构建特征库，并且得到新的权重文件；最终得到一个训练完成的包含了特征库和新的权重文件的改进的Siamese网络；(5)将待识别的舰船图片输入训练完成的改进的Siamese网络进行检测识别，得到舰船类型和置信度。2.根据权利要求1所述的基于卷积神经网络的局部舰船识别方法，其特征在于：步骤(3)中所述的改进的Siamese网络包括特征提取网络、BottleNeck部分和Metric network；特征提取网络使用了两个相同的且共享权重文件的Hs
‑
ResNet，BottleNeck部分用于减少参数的数量，从而减少计算量；Metric network用于计算损失函数。3.根据权利要求1所述的基于卷积神经网络的局部舰船识别方法，其特征在于：步骤(1)中舰船数据集像素大小统一为640*640；步骤(2)中舰船数据集被分割为16份像素为160*160的补丁集。4.根据权利要求1所述的基于卷积神经网络的局部舰船识别方法，其特征在于：所述目标检测数据集为COCO数据集。5.根据权利要求1所述的基于卷积神经网络的局部舰船识别方法，其特征在于：步骤(4)中所述的构建特征库：首先对于所有候选框特征F＝{f1,f2,
…
,f
N
}，对于真实类别c从特征库中获取内特征计算其与根据舰船数据集标注区域提取出的特征值中所有特征的相似度，其中真实类别c可以为航母、巡洋舰，这里采用cosine值，公式如下：其中，f
i
为候选框特征，为真实类别c下特征库的内特征，为f
i
和的向量cosine值，这里用作f
i
和特征的相似度；选择相似度最大的一对进行考虑，计算与目标候选框重叠部分大于阈值的其他候选框与其的特征距离平均值其公式如下：f
i
为大于阈值的其他候选框的特征，为相似度最大的目标候选框特征；表示其他候选框和目标候选框的交并比，τ表示设定的阈值，mean
i
()表示取平均值；标候选框和相似度最大的候选框都设为正例，...

【专利技术属性】
技术研发人员：徐晓刚，张志鑫，雷家旭，徐冠雷，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：