基于递归融合型网络的毫米波图像模糊目标AI识别方法技术

本发明专利技术提供基于递归融合型网络的毫米波图像模糊目标AI识别方法，包括：收集相关幕墙构件的毫米波图像，并将图像分为训练集与测试集；设计递归融合型网络模型；用收集到的相关幕墙构件的毫米波图像的训练集对递归融合型网络模型进行训练；用收集到的相关幕墙构件的毫米波图像的测试集对训练好的模型进行测试，输出预测图；用训练好的递归融合型网络模型识别模糊的毫米波图像。本发明专利技术能够对低分辨率毫米波图像中的模糊目标精确检测并分割；递归融合模块在提高模型分割性能的同时，减少模型的计算复杂度，同时大大减少毫米波图像中漏检和误检的发生率，最终实现快而准确的识别毫米波模糊图像中的目标。模糊图像中的目标。模糊图像中的目标。

【技术实现步骤摘要】
基于递归融合型网络的毫米波图像模糊目标AI识别方法


[0001]本专利技术涉及图像识别
，具体涉及基于递归融合型网络的毫米波图像模糊目标AI识别方法。

技术介绍

[0002]位于红外与微波之间波段的毫米波，除具有红外和微波共同特征外还有其特有的性能；与微波相比毫米波的指向性好、抗干扰能力强、探测性能好、能很好地穿透等离子体；与红外相比毫米波受气象影响较小，能很好地区别金属目标和周围环境；因此，毫米波辐射探测设备在恶劣天气或战场烟尘条件下比光电探测器更为有效，它具有全天候工作能力，最重要的是，毫米波具有非电离性，对人体不会造成伤害，因此，毫米波辐射探测技术在许多领域发挥着重要作用；目前，在民用领域毫米波成像系统多用于人体安检与幕墙构件检测。
[0003]在人体安检中，毫米波成像不仅可以穿透普通衣服检测出隐藏的金属违禁品，还可以检测出非金属违禁品，同时也不会对人体产生伤害；在幕墙构件检测中，幕墙通常由石材面板和支承结构(横梁立柱、钢结构、连接件等等)组成，是不承担主体结构荷载与作用的建筑围护结构；毫米波成像可以穿透石材面板检测其支撑结构的完整性，方便工作人员及时更换受损的幕墙，防止意外的发生。
[0004]然而，毫米波图像和光学图像两者存在差异，第一，因为波长衍射极限的限制，毫米波图像的分辨率普遍较低；第二，由于毫米波探测器性能以及成像算法的影响，毫米波图像的信噪比远低于光学图像；故生成的图像波长太长，像素大，图像模糊，由人眼很难识别出图像的信息。
[0005]因此，现有技术存在不足，需要进一步改进。

技术实现思路

[0006]针对现有技术存在的问题，本专利技术提供基于递归融合型网络的毫米波图像模糊目标AI识别方法。
[0007]为实现上述目的，本专利技术的具体方案如下：
[0008]本专利技术提供一种基于递归融合型网络的毫米波图像模糊目标AI识别方法，包括如下步骤：
[0009]S1，通过毫米波雷达设备收集相关幕墙构件的毫米波图像，并将图像分为训练集与测试集；
[0010]S2，设计递归融合型网络模型；
[0011]S3，用S1收集到的相关幕墙构件的毫米波图像的训练集对递归融合型网络模型进行训练；
[0012]S4，用S1收集到的相关幕墙构件的毫米波图像的测试集对S3训练好的递归融合型网络模型进行测试，输出预测图；
[0013]S5，用S3训练好的递归融合型网络模型识别模糊的毫米波图像。
[0014]进一步地，所述递归融合型网络模型包括：
[0015]S201，Encoder阶段；
[0016]S202，Decoder阶段；
[0017]所述Encoder阶段包括深度并行特征提取输出网络，该网络为并行连接结构，将多分辨率特征图并行连接进行重复的多尺度融合；
[0018]所述Decoder阶段包括递归融合模块，该模块通过学习单个高分辨率特征图和多个相邻级别的低分辨率特征图的特征位置偏移来进行特征层的递归对齐融合，以此增强对目标边缘的感知。
[0019]进一步地，所述深度并行特征提取输出网络，在特征提取的过程中并联高分辨率特征图和低分辨率特征图，重复融合交换信息，添加不同分辨率特征图之间的交互。
[0020]进一步地，所述深度并行特征提取输出网络，并行卷积分支的特征图分辨率分别为输入的1/4、1/8、1/16和1/32，对应的卷积通道数为18、36、72和144。
[0021]进一步地，所述深度并行特征提取输出网络，在多尺度特征融合交换信息阶段，每个尺度分支上的输出都是由所有分支上的输出进行融合得到的，连接密集的多尺度融合会过滤噪声信息以抑制相邻区域对对象区域的影响。
[0022]进一步地，所述Decoder阶段对并行输出的所有特征图进行上采样操作，将因编码网络的下采样而丢失的信息重新学习，最终将低分辨率的特征恢复为高分辨率的预测图。
[0023]进一步地，所述递归融合模块将多个低分辨率的特征图依次融合进高分辨率特征图，将深层特征传播到高分辨率特征中进行对齐，从而能够让目标的边缘分割更加精细。
[0024]进一步地，所述递归融合模块处理过程包括如下步骤：
[0025]S2021，将多个相邻级别的低分辨率特征图依像素位置对齐融合进单个高分辨率特征图每一次像素位置对齐都得到低分辨率特征图F
l
(C
×
H
l
×
W
l
)与高分辨率特征图F
h
(C
×
H
h
×
W
h
)之间的像素位置偏移场；
[0026]S2022，将高分辨率特征图和经过标准双线性插值上采样后的低分辨率特征图进行拼接再通过3
×
3卷积层得到像素位置偏移场通过该像素位置偏移场可得到高分辨率特征图的像素位置在低分辨率特征图中的像素位置数学表达式为：
[0027][0028]其中Δx、Δy表示像素位置的学习2D变换偏移；
[0029]S2023，采用可微双线性采样机制对的四邻域插值得到扭曲后的高分辨率特征图的位置的值，数学表达式如下：
[0030][0031]S2024，将扭曲后的高分辨率特征图和输入的高分辨率特征图F
h
进行相加得到融合后的高分辨率特征图F
′
h
；所有的相邻级别的低分辨率特征图均通过该方式融入高一级的高分辨率特征图。
[0032]采用本专利技术的技术方案，具有以下有益效果：
[0033]该方法能够对低分辨率毫米波图像中的模糊目标精确检测并分割，并行特征提取网络和递归融合模块可以提高目标与背景、目标与目标之间的特征区分能力；递归融合模块在提高模型分割性能的同时，减少模型的计算复杂度，同时大大减少毫米波图像中漏检和误检的发生率，最终实现快而准确的识别毫米波模糊图像中的目标。
附图说明
[0034]图1是本专利技术的流程图；
[0035]图2是本专利技术的并行特征提取网络的结构图；
[0036]图3是本专利技术的递归融合模块的结构图。
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的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0038]在本专利技术的描述中，除非另有明确的规定和限定，术语“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0039]在本专利技术中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于递归融合型网络的毫米波图像模糊目标AI识别方法，其特征在于，包括如下步骤：S1，通过毫米波雷达设备收集相关幕墙构件的毫米波图像，并将图像分为训练集与测试集；S2，设计递归融合型网络模型；S3，用S1收集到的相关幕墙构件的毫米波图像的训练集对递归融合型网络模型进行训练；S4，用S1收集到的相关幕墙构件的毫米波图像的测试集对S3训练好的递归融合型网络模型进行测试，输出预测图；S5，用S3训练好的递归融合型网络模型识别模糊的毫米波图像。2.根据权利要求1所述的基于递归融合型网络的毫米波图像模糊目标AI识别方法，其特征在于，所述递归融合型网络模型包括：S201，Encoder阶段；S202，Decoder阶段；所述Encoder阶段包括深度并行特征提取输出网络，该网络为并行连接结构，将多分辨率特征图并行连接进行重复的多尺度融合；所述Decoder阶段包括递归融合模块，该模块通过学习单个高分辨率特征图和多个相邻级别的低分辨率特征图的特征位置偏移来进行特征层的递归对齐融合，以此增强对目标边缘的感知。3.根据权利要求2所述的基于递归融合型网络的毫米波图像模糊目标AI识别方法，其特征在于，所述深度并行特征提取输出网络，在特征提取的过程中并联高分辨率特征图和低分辨率特征图，重复融合交换信息，添加不同分辨率特征图之间的交互。4.根据权利要求2所述的基于递归融合型网络的毫米波图像模糊目标AI识别方法，其特征在于，所述深度并行特征提取输出网络，并行卷积分支的特征图分辨率分别为输入的1/4、1/8、1/16和1/32，对应的卷积通道数为18、36、72和144。5.根据权利要求2所述的基于递归融合型网络的毫米波图像模糊目标AI识别方法，其特征在于，所述深度并行特征提取输出网络，在多尺度特征融合交换信息阶段，每个尺度分支上的输出都是由所有分支上的输出进行融合得到，连接密集的多尺度融合过滤噪声信息以抑制相邻区域对对象区域的影响。6.根据权利要求2所述的基于...

【专利技术属性】
技术研发人员：高杰，曹亚军，高崇亮，
申请(专利权)人：中建深圳装饰有限公司，
类型：发明
国别省市：