System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像目标识别领域,具体涉及微小目标识别领域,尤其涉及一种基于farneback光流法与时序神经网络的目标识别方法及相关设备。
技术介绍
1、在空间态势感知等应用中,由于待观测的目标距离远,目标在成像图像中像素较少,对此类目标进行快速检测、识别具有广泛的民事及军事应用价值和前景。因此,当前对于微小目标识别的研究十分的重要。
2、由于观测距离较远,目标在图像中仅占极少的像素,此类目标在图像中呈现尺寸小、语义信息缺失、杂波干扰多等特点,目前存在的主要困难因素包括:1)复杂环境对微小目标识别造成的干扰,复杂的背景噪声下,微小目标的信息会被其他较大物体噪声所掩盖,或与背景融为一体缺少明显的图像对比度;2)微小目标分辨率低、像素占比少,使其在目标检测时能提取到的有效信息十分有限;3)卷积神经网络对微小目标的特征提取存在瓶颈,由于微小目标边缘信息模糊、语义信息少,经过卷积神经网络(cnn)后导致小物体信息损失严重。上述因素导致微小目标识别并不理想。
3、由此可见,传统的目标识别方法很难对微小目标进行有效识别。
技术实现思路
1、为克服上述技术的缺点,本专利技术提供一种基于farneback光流法与时序神经网络的目标识别方法及相关设备,能够解决采用传统的目标识别方法,针对微小目标的识别,由于微小目标的边缘信息模糊、语义信息少,经卷积神经网络处理后导致信息损失严重,无法对其进行有效识别的技术问题。
2、为了达到上述目的,本专利技术采用技术方案如下:<
...【技术保护点】
1.一种基于Farneback光流法与时序神经网络的目标识别方法,其特征在于,包括:
2.根据权利要求1所述的一种基于Farneback光流法与时序神经网络的目标识别方法,其特征在于,S1中,利用Farneback光流法的稠密采样方式,计算训练图像和测试图像上每一点的偏移量,形成光流场,基于光流场得到运动矢量。
3.根据权利要求2所述的一种基于Farneback光流法与时序神经网络的目标识别方法,其特征在于,计算运动矢量之前,分别对训练图像和测试图像进行真实类别标记处理。
4.根据权利要求2所述的一种基于Farneback光流法与时序神经网络的目标识别方法,其特征在于,偏移量的具体计算步骤如下:
5.根据权利要求1所述的一种基于Farneback光流法与时序神经网络的目标识别方法,其特征在于,所述TCN网络采用一维全卷积网络架构,每个隐藏层的长度与输入层的长度相同。
6.根据权利要求4所述的一种基于Farneback光流法与时序神经网络的目标识别方法,其特征在于,所述TCN网络的每个残差块有两层空洞因果卷积、权重的归一化
7.根据权利要求4所述的一种基于Farneback光流法与时序神经网络的目标识别方法,其特征在于,还包括:
8.一种基于Farneback光流法与时序神经网络的目标识别系统,用于实现权利要求1-7任一项所述基于Farneback光流法与时序神经网络的目标识别方法的步骤,其特征在于,包括:
9.一种设备,其特征在于,包括:
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时用于实现权利要求1-7任一项所述基于Farneback光流法与时序神经网络的目标识别方法的步骤。
...【技术特征摘要】
1.一种基于farneback光流法与时序神经网络的目标识别方法,其特征在于,包括:
2.根据权利要求1所述的一种基于farneback光流法与时序神经网络的目标识别方法,其特征在于,s1中,利用farneback光流法的稠密采样方式,计算训练图像和测试图像上每一点的偏移量,形成光流场,基于光流场得到运动矢量。
3.根据权利要求2所述的一种基于farneback光流法与时序神经网络的目标识别方法,其特征在于,计算运动矢量之前,分别对训练图像和测试图像进行真实类别标记处理。
4.根据权利要求2所述的一种基于farneback光流法与时序神经网络的目标识别方法,其特征在于,偏移量的具体计算步骤如下:
5.根据权利要求1所述的一种基于farneback光流法与时序神经网络的目标识别方法,其特征在于,所述tcn网络采用一维全卷积网络架构,每个隐藏层的长度...
【专利技术属性】
技术研发人员:王宁,周美娟,贺鹏超,刘曦,毛远宏,
申请(专利权)人:西安微电子技术研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。