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

技术编号：40582295 阅读：6 留言：0更新日期：2024-03-06 17:25

本发明专利技术公开了一种基于Farneback光流法与时序神经网络的目标识别方法及相关设备，属于图像目标识别领域，本方法通过对训练图像和测试图像进行真实类别标记，得到训练样本集和测试样本集；构建联合利用目标空间信息和时序信息的微小目标识别网络，将训练样本集输入到微小目标识别网络并使用优化算法训练网络模型；待模型收敛后，将测试样本集输入到训练好的网络模型中，得到最终的识别结果；本方法不使用目标单一的空间信息，而是利用不同目标特性与图像特征之间的关联性，采用多帧图像的时序信息进行目标识别，提升微小目标识别准确度；相比传统的识别方法，采用本方法提高了在远距离观测条件下对微小目标的识别性能。

全部详细技术资料下载

【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：</p>

3、一种基于farneback光流法与时序神经网络的目标识别方法，包括：

4、s1：将获取的目标图像划分为训练图像和测试图像；

5、s2：基于farneback光流法分别计算训练图像和测试图像的运动矢量，得到训练集与测试集；

6、s3：将测试集输入至目标识别模型，输出目标识别结果；

7、其中，所述目标识别模型由tcn网络经训练集训练得到。

8、进一步地，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。

9、进一步地，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。

10、进一步地，偏移量的具体计算步骤如下：

11、对目标图像进行近似建模，得到近似模型；在近似模型中，通过构造新信号得到假定二次多项式；求解假定二次多项式，计算得到偏移量。

12、进一步地，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。

13、进一步地，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、relu激活和dropout。

14、进一步地，还包括：

15、s4：采用评价指标定量评估法对输出的目标识别结果进行准确性评价。

16、一种基于farneback光流法与时序神经网络的目标识别系统，用于实现上述基于farneback光流法与时序神经网络的目标识别方法的步骤，包括：

17、目标图像分类模块，用于将获取的目标图像划分为训练图像和测试图像；

18、图像计算模块，用于基于farneback光流法分别计算训练图像和测试图像的运动矢量，得到训练集与测试集；

19、目标识别模块，用于将测试集输入至目标识别模型，输出目标识别结果；

20、其中，所述目标识别模型由tcn网络经训练集训练得到。

21、一种设备，包括：

22、存储器，用于存储计算机程序；

23、处理器，用于执行所述计算机程序时实现上述基于farneback光流法与时序神经网络的目标识别方法的步骤。

24、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上述基于farneback光流法与时序神经网络的目标识别方法的步骤。

25、相比于现有技术，本专利技术具有有益效果如下：

26、本专利技术还提供一种基于farneback光流法与时序神经网络的目标识别方法，本方法通过对训练图像和测试图像进行真实类别标记，得到训练样本集和测试样本集；构建联合利用目标空间信息和时序信息的微小目标识别网络，将训练样本集输入到微小目标识别网络并使用优化算法训练网络模型；待模型收敛后，将测试样本集输入到训练好的网络模型中，得到最终的识别结果；本方法不使用目标单一的空间信息，而是利用不同目标特性与图像特征之间的关联性，采用多帧图像的时序信息进行目标识别，提升微小目标识别准确度；相比传统的识别方法，采用本方法提高了在远距离观测条件下对微小目标的识别性能。

本文档来自技高网...

【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、ReLU激活和dropout。

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：

全部详细技术资料下载我是这个专利的主人