一种基于环境及辅助目标特征交叉验证的未知目标特征提取方法技术

本发明专利技术涉及图像特征提取分类技术领域，特别涉及一种基于环境及辅助目标特征交叉验证的未知目标特征提取方法。提取步骤为：1)获取样本数据；2)对样本数据进行预处理；3)利用样本数据，训练残差三维卷积神经网络；4)生成特征提取模型，以及确认判断阈值；5)输出未知目标分类信息。样本数据包括图像数据，并为每张图像数据匹配对应的环境参数，生成样本数据。本发明专利技术采用残差结构的三维卷积网络进行训练，同时引入DOC算法对卷积神经网络模型进行优化，依据环境和已知目标数据反演出未知目标特征，提升了目标特征提取的精度和效率。提升了目标特征提取的精度和效率。提升了目标特征提取的精度和效率。

【技术实现步骤摘要】
一种基于环境及辅助目标特征交叉验证的未知目标特征提取方法


[0001]本专利技术涉及图像特征提取分类
，特别涉及一种基于环境及辅助目标特征交叉验证的未知目标特征提取方法。

技术介绍

[0002]由于未知目标数据缺乏，在进行未知目标特征分析与提取时往往需要借助已知目标和环境特征数据实现对其特征反演，深度学习是一种有效的反演手段。深度学习利用深度神经网络自主学习掌握数据的特征，不用事先确定提取的特征，由深度神经网络自主、智能地从大数据中自动学习特征的表示，自动实现输入和输出的映射。但传统目标图像光谱、色度特征提取方法，主要存在以下不足：
[0003]一是神经网络训练困难而且复杂，其中一个重要原因就是神经网络中层与层之间存在高度关联性和耦合性。底层参数不断发生变化，中层与上层网络不断适应，由于神经网络存在很多卷积层，参数的改变，导致输入特征值分布信息改变，最终会导致训练好的目标识别模型目标识别准确率。
[0004]二是传统神经网络对于未知目标的特征数据提取能力弱、精度低，对于数据集中不存在的数据、未制作标签的数据或者未经训练的数据无法很好的提取其特征。

技术实现思路

[0005]本专利技术公开了一种基于环境及辅助目标特征交叉验证的未知目标特征提取方法，依据典型环境和已知目标特征图像，采用残差结构的三维卷积网络进行训练，同时引入DOC算法对卷积神经网络模型进行优化，依据环境和已知目标数据反演出未知目标特征，提升了目标特征提取的精度和效率。
[0006]它通过这样的技术方案实现的，具体步骤如下：
[0007]1)获取样本数据；
[0008]2)对样本数据进行预处理；
[0009]3)利用样本数据，训练残差三维卷积神经网络；
[0010]4)生成特征提取模型，以及确认判断阈值；
[0011]5)输出未知目标分类信息。
[0012]进一步地，步骤1)中获取样本数据的具体方法为：
[0013]采集图像数据，为每张图像数据匹配对应的环境参数，生成样本数据。
[0014]进一步地，其特征在于，步骤2)中对样本数据进行预处理的方法为：
[0015]对样本数据依次进行归一化处理和标准正态化处理，将处理后的样本数据切分成三维的小子块，并生成小子块标签，标记已知目标类和未知目标类，分为训练集和测试集。
[0016]进一步地，其特征在于，步骤3)中训练残差三维卷积神经网络的具体方法为：
[0017]将环境参数与目标图像的光谱、色度特征进行高维耦合，利用三维残差卷积神经
网络的卷积层和池化层进行交叉三维卷积运算，以获取高维耦合特征信息，三维卷积公式如下：
[0018][0019]其中，l表示神经网络中的第l层；i、j、k对应数据立方体的数据坐标；D
i
表示输入数据，D
o
表示输出数据；H0、W0、D0分别表示输入数据的高、宽、长；K
x
、K
y
、K
z
分别是卷积核的宽高长；s
x
、s
y
、s
z
分别是x、y、z方向滑动步长；K
x
、K
y
、K
z
分别是卷积核的宽高长；c
i
表示输入通道数，c
o
表示输出通道数，CH
in
表示总输入通道数，CH
out
表示总输出通道数；是第l层第K个神经元连接上的权重，b是输入常数；
[0020]通过三维池化运算来提高模型的容错性，三维池化公式为：
[0021][0022]其中，Z
l
表示第l层的线性计算结果。
[0023]进一步地，其特征在于，步骤4)中生成特征提取模型，以及确认判断阈值的具体方法为：
[0024]4‑
1)将已知目标类数据输入到训练好的残差三维卷积神经网络模型中，并记录倒数第二层每个节点输出，得到N个输出数据集合；
[0025]4‑
2)对N个数据集合进行sigmoid函数映射，得到映射后的N个数据集；
[0026]4‑
3)对映射后的N个数据集进行高斯拟合，得到N个已知目标类输出的均值和方差，作为已知目标类数据高斯分布模型；
[0027]4‑
4)利用均值、方差确认判决阈值，并进行保存，计算第j类判决阈值公式为：
[0028]T
m
＝μ
m
‑
lσ
m
(m＝1,2,
…
,N,l＝1,2,3)。
[0029]进一步地，步骤5)中输出未知目标分类信息的具体方法为：
[0030]将测试数据输入到残差三维卷积神经网络模型中，根据已知目标类数据高斯分布模型和判决阈值，采用DOC算法作为判决层，将输入的测试数据分类为已经目标类或未知目标类；若D＝sigmoid(Y)的所有分量都小于对应的判决阈值，输出种类判决为未知目标类，如果至少一个分量大于判决门限，则输出种类是最大分量对应的已知类的类别。
[0031]进一步地，DOC算法中sigmoid函数公式为：
[0032][0033]1‑
vs
‑
rest层经过sigmoid映射得到输出，并服从均值是μ标准差是σ的高斯分布；取sigmoid函数的阈值分别为μ
‑
σ、μ
‑
2σ、μ
‑
3σ，则分别能以68.27％、95.00％、99.00％的概率把输入判决为属于已知的目标特征；1
‑
vs
‑
res的阈值设为的取值范围是
[0034]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
[0035]本专利技术的附图说明如下。
[0036]图1为本专利技术的流程示意图。
具体实施方式
[0037]下面结合附图和实施例对本专利技术作进一步说明。
[0038]如图1所示，一种基于环境及辅助目标特征交叉验证的未知目标特征提取方法,具体步骤如下：
[0039]1)获取样本数据：采集图像数据，为每张图像数据匹配对应的环境参数，生成样本数据。
[0040]2)对样本数据进行预处理：对样本数据依次进行归一化处理和标准正态化处理，将处理后的样本数据切分成三维的小子块，并生成小子块标签，标记已知目标类和未知目标类，分为训练集和测试集。
[0041]3)利用样本数据，训练残差三维卷积神经网络：
[0042]将环境参数与目标图像的光谱、色度特征进行高维耦合，利用三维残差卷积神经网络的卷积层和池化层进行交叉三维卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于环境及辅助目标特征交叉验证的未知目标特征提取方法，其特征在于，具体步骤如下：1)获取样本数据；2)对样本数据进行预处理；3)利用样本数据，训练残差三维卷积神经网络；4)生成特征提取模型，以及确认判断阈值；5)输出未知目标分类信息。2.如权利要求1所述的基于环境及辅助目标特征交叉验证的未知目标特征提取方法，其特征在于，步骤1)中获取样本数据的具体方法为：采集图像数据，为每张图像数据匹配对应的环境参数，生成样本数据。3.如权利要求2所述的基于环境及辅助目标特征交叉验证的未知目标特征提取方法，其特征在于，步骤2)中对样本数据进行预处理的方法为：对样本数据依次进行归一化处理和标准正态化处理，将处理后的样本数据切分成三维的小子块，并生成小子块标签，标记已知目标类和未知目标类，分为训练集和测试集。4.如权利要求3所述的基于环境及辅助目标特征交叉验证的未知目标特征提取方法，其特征在于，步骤3)中训练残差三维卷积神经网络的具体方法为：将环境参数与目标图像的光谱、色度特征进行高维耦合，利用三维残差卷积神经网络的卷积层和池化层进行交叉三维卷积运算，以获取高维耦合特征信息，三维卷积公式如下：其中，l表示神经网络中的第l层；i、j、k对应数据立方体的数据坐标；D
i
表示输入数据，D
o
表示输出数据；H0、W0、D0分别表示输入数据的高、宽、长；K
x
、K
y
、K
z
分别是卷积核的宽高长；s
x
、s
y
、s
z
分别是x、y、z方向滑动步长；K
x
、K
y
、K
z
分别是卷积核的宽高长；c
i
表示输入通道数，c
o
表示输出通道数，CH
in
表示总输入通道数，CH
out
表示总输出通道数；是第l层第K个神经元连接上的权重，b是输入常数；通过三维池化运算来提高模型的容错性，三维池化公式为：其中，Z
l

【专利技术属性】
技术研发人员：吴护林，张翼翔，邓贤明，张天才，李忠盛，周堃，陈知华，徐塱，王森，吴非，朱凡，林牧春，汪家辉，代欣位，高浩然，
申请(专利权)人：中国兵器装备集团西南技术工程研究所，
类型：发明
国别省市：