【技术实现步骤摘要】
本专利技术涉及红外目标识别，具体地，涉及一种基于孪生网络红外特征匹配的高速运动目标型号识别方法及系统。
技术介绍
1、通过红外搜索与跟踪系统等监视系统对远程高速运动目标进行持续探测，获取其灰度变化特征进而识别其型号，对于监视系统的态势感知和态势评估具有重要的作用。在远距离红外探测成像条件下，目标呈现小目标图像形态，不具备形状、尺寸特征，因此其灰度成为目标识别的重要特征。由于监视系统的连续成像和目标飞行的持续性，对目标可形成目标灰度变化时序特征，该时序特征成为目标类型、型号识别的重要特征。由于目标灰度变化序列特征为一维特征，一般采用基于一维特征匹配方法，如基于曲线点匹配的动态时间规整(dtw，dynamic time warping)、基曲线形状匹配的frechet方法和基于曲线分段匹配的lip(locality in-between polylines)方法，这些方法基于一维数据序列的相似性实现曲线归类，然而这些方法基于人工设计特征开展设计，在识别性能上有待提高。
2、专利文献cn116596993a公开了一种基于伪孪生网络与深度特征的目标识别匹配定位方法，具体包括以下步骤：基于伪孪生网络模型进行目标识别与图像匹配定位一体化设计，获取目标图像并基于ssd算法对目标进行识别，基于深度特征匹配方法进行目标匹配定位，基于网格运动统计模型优化匹配结果。然而该专利无法完全解决目前存在的技术问题，也无法满足本专利技术的需求。
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的
2、根据本专利技术提供的基于孪生网络红外特征匹配的高速运动目标型号识别方法，包括：
3、步骤1：从红外搜索与跟踪系统获取高速运动目标飞行过程的成像数据；
4、步骤2：从成像数据中提取目标飞行过程的灰度序列变化特征；
5、步骤3：将目标的一维灰度序列特征转化为二维曲线特征图像；
6、步骤4：当训练孪生网络识别模型时，收集、标注多个目标的灰度序列一维特征数据，转化为曲线特征图像集，划分训练集和验证集，对识别模型进行训练，训练后固化孪生网络识别模型参数，并把所有训练数据按不同目标型号整理为特征模板；
7、步骤5：当执行目标型号识别任务时，载入孪生网络识别模型及训练后存储的模型参数，对输入的二维曲线特征图像和模板中的特征图像进行匹配识别，输出相似性概率，并转化为目标型号识别结果。
8、优选地，每一个型号目标的特征模板包含1个或多个该目标的灰度变化曲线特征图。
9、优选地，目标特征为红外搜索与跟踪系统对高速运动目标探测成像中所呈现的灰度值，其形式为一维灰度序列；将目标一维灰度序列变化特征转化为二维曲线特征图像，从而将型号识别问题转化为二维图像识别问题，进而利用计算机视觉领域的深度学习图像识别方法进行处理。
10、优选地，将目标的一维灰度序列进行灰度和时间归一化，转化为二维曲线特征图像，特征图像中每个坐标位置，其高度代表目标的灰度归一化值，其宽度代表目标飞行归一化时刻。
11、优选地，采用数据增强方法提升孪生网络识别性能，包括训练时图像增强及样本扩增；
12、训练时图像增强包括训练过程中样本图像的翻转、缩放、随机擦除，色度、饱和度以及明度的随机调整；
13、样本扩增包括对目标灰度序列按不同时间间隔抽样扩大为多个目标灰度序列，生成特征图像时对曲线的颜色、粗细和背景颜色进行多样化设置。
14、优选地，将目标灰度序列特征数据记为{ii}i＝1,…,n，对应的成像时刻序列记为{ti}i＝1,…,n，ii和ti分别表示图像第i帧中目标的灰度值和成像时刻，n为图像序列的总帧数，特征图像的高宽分别记为h和w，图像坐标原点位于图像左下角，宽度方向为x轴，高度方向为y轴线，特征图像的x轴、y轴将分别对应目标灰度序列的成像时刻与灰度幅值；
15、取灰度最大值和最小值如下：
16、imax＝max({ii}i＝1,…,n)
17、imin＝min({ii}i＝1,…,n)
18、imax和imin在图像中的y方向坐标分别为h-δh、δh，因此，任何灰度值的y方向坐标按如下方式计算：
19、yi＝(ii-imin)/(imax-imin)×(h-2×δh)+δh,i＝1,…,n
20、取成像时刻最大值和最小值如下：
21、tmax＝max({ti}i＝1,…,n)
22、tmin＝min({ti}i＝1,…,n)
23、tmax和tmin在图像中的x方向坐标分别为w-δw、δw，因此，任何时刻的x方向坐标按如下方式计算：
24、xi＝(ti-tmin)/(tmax-tmin)×(w-2×δw)+δw,i＝1,…,n
25、将坐标集(xi,yi)i＝1,…,n每个坐标点通过直线相连在特征图像中绘出，实现一维灰度序列特征向二维曲线特征图像的转化。
26、优选地，对于孪生网络识别模型，以两张不同图像作为输入，通过两个具有相同网络结构、参数和权重共享的子网络以提取图像抽象特征；两个子网络输出的多维特征分别转换为一维特征向量，通过相减并取绝对值实现特征向量的距离计算；特征向量的距离再通过具有512个隐藏单元结合relu的全连接层进行非线性处理，最后通过具有1个神经元单元结合sigmoid函数的输出层输出两张图片的相似性概率。
27、优选地，采用基于深度学习孪生网络红外灰度变化特征匹配的目标型号识别方式，对于待识别的目标特征曲线图，将其与特征模板中的每一个特征曲线图模板组成特征对，输入到孪生网络，该孪生网络输出特征对之间的相似性概率；
28、对于同一个目标型号的多个特征模板，取相似概率最大值为目标与该型号目标模板的相似概率；取与不同型号目标模板的相似概率值最大对应的型号作为识别结果，同时给出型号识别概率；设定最大概率阈值，若最终目标型号识别概率低于该阈值，则更新识别结果，判别该目标不属于模板中的任何类型，为新型号。
29、优选地，首先，构建特征模板，设有n类型号，每个型号的目标模板数量为mn,n＝1,2,…,n，第i个型号第j个模板记为
30、其次，载入孪生网络识别模型及参数，待识别目标的特征图像记为img，分别与识别模板中的每个模板组成特征对，输入该孪生网络，计算两者的相似性概率；
31、最后，计算待识别目标特征图像与每类型号特征模板所输出的相似性概率的最大值，如下式：
32、
33、进而计算{pi}i＝1,2,…,n的最大值，记为pmax，对应的型号记为tk；
34、设定相似性阈值门限th，0<th<1，若pmax≥th，则判定目标型号为tk，否则判定为新型号。
35、根据本专利技术提供的基于孪生网络红外特征匹配的本文档来自技高网...
【技术保护点】
1.一种基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，包括：
2.根据权利要求1所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，每一个型号目标的特征模板包含1个或多个该目标的灰度变化曲线特征图。
3.根据权利要求1所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，目标特征为红外搜索与跟踪系统对高速运动目标探测成像中所呈现的灰度值，其形式为一维灰度序列；将目标一维灰度序列变化特征转化为二维曲线特征图像，从而将型号识别问题转化为二维图像识别问题，进而利用计算机视觉领域的深度学习图像识别方法进行处理。
4.根据权利要求1所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，将目标的一维灰度序列进行灰度和时间归一化，转化为二维曲线特征图像，特征图像中每个坐标位置，其高度代表目标的灰度归一化值，其宽度代表目标飞行归一化时刻。
5.根据权利要求1所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，采用数据增强方法提升孪生网络识别性能，包括训练时图像增强
6.根据权利要求1所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，将目标灰度序列特征数据记为{Ii}i＝1,…,N，对应的成像时刻序列记为{Ti}i＝1,…,N，Ii和Ti分别表示图像第i帧中目标的灰度值和成像时刻，N为图像序列的总帧数，特征图像的高宽分别记为H和W，图像坐标原点位于图像左下角，宽度方向为x轴，高度方向为y轴线，特征图像的x轴、y轴将分别对应目标灰度序列的成像时刻与灰度幅值；
7.根据权利要求1所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，对于孪生网络识别模型，以两张不同图像作为输入，通过两个具有相同网络结构、参数和权重共享的子网络以提取图像抽象特征；两个子网络输出的多维特征分别转换为一维特征向量，通过相减并取绝对值实现特征向量的距离计算；特征向量的距离再通过具有512个隐藏单元结合Relu的全连接层进行非线性处理，最后通过具有1个神经元单元结合sigmoid函数的输出层输出两张图片的相似性概率。
8.根据权利要求1所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，采用基于深度学习孪生网络红外灰度变化特征匹配的目标型号识别方式，对于待识别的目标特征曲线图，将其与特征模板中的每一个特征曲线图模板组成特征对，输入到孪生网络，该孪生网络输出特征对之间的相似性概率；
9.根据权利要求8所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，首先，构建特征模板，设有N类型号，每个型号的目标模板数量为Mn,n＝1,2,…,N，第i个型号第j个模板记为Tij,i＝1,2,…,N,j＝1,2,…,Mi；
10.一种基于孪生网络红外特征匹配的高速运动目标型号识别系统，其特征在于，采用权利要求1-9中任一项所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，包括如下模块：
...【技术特征摘要】
1.一种基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，包括：
2.根据权利要求1所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，每一个型号目标的特征模板包含1个或多个该目标的灰度变化曲线特征图。
3.根据权利要求1所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，目标特征为红外搜索与跟踪系统对高速运动目标探测成像中所呈现的灰度值，其形式为一维灰度序列；将目标一维灰度序列变化特征转化为二维曲线特征图像，从而将型号识别问题转化为二维图像识别问题，进而利用计算机视觉领域的深度学习图像识别方法进行处理。
4.根据权利要求1所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，将目标的一维灰度序列进行灰度和时间归一化，转化为二维曲线特征图像，特征图像中每个坐标位置，其高度代表目标的灰度归一化值，其宽度代表目标飞行归一化时刻。
5.根据权利要求1所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，采用数据增强方法提升孪生网络识别性能，包括训练时图像增强及样本扩增；
6.根据权利要求1所述的基于孪生网络红外特征匹配的高速运动目标型号识别方法，其特征在于，将目标灰度序列特征数据记为{ii}i＝1,…,n，对应的成像时刻序列记为{ti}i＝1,…,n，ii和ti分别表示图像第i帧中目标的灰度值和成像时刻，n为图像序列的总帧数，特征图像的高宽分别记为h和w，图像坐标原点位...
【专利技术属性】
技术研发人员：林两魁，汪少林，郭玲玲，杨春燕，何军，代海山，欧阳铭，胡宜宁，
申请(专利权)人：上海卫星工程研究所，
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。