CN110738166B - 基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质 - Google Patents

基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质 Download PDF

Info

Publication number
CN110738166B
CN110738166B CN201910972867.6A CN201910972867A CN110738166B CN 110738166 B CN110738166 B CN 110738166B CN 201910972867 A CN201910972867 A CN 201910972867A CN 110738166 B CN110738166 B CN 110738166B
Authority
CN
China
Prior art keywords
pcanet
infrared
pcnn
target
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910972867.6A
Other languages
English (en)
Other versions
CN110738166A (zh
Inventor
贺付亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest University
Original Assignee
Southwest University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest University filed Critical Southwest University
Priority to CN201910972867.6A priority Critical patent/CN110738166B/zh
Publication of CN110738166A publication Critical patent/CN110738166A/zh
Application granted granted Critical
Publication of CN110738166B publication Critical patent/CN110738166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质，包括以下步骤：步骤1.获取水面监控现场的红外图像；步骤2.利用各向异性滤波器对原始的红外图像进行红外降噪处理；步骤3.利用简化PCNN模型和改进CS算法分割出红外目标对象区域；步骤4.通过PCANet深度学习网络进行目标特征提取，利用SVM分类器进行目标判断与分类，输出目标识别结果并报警。本发明能够有效实现渔政监控红外目标的分类和检测。

Description

基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质
技术领域
本发明属于红外目标识别技术领域，具体涉及一种基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质。
背景技术
渔政管理是农业工作的重要组成部分，是天然水域生态环境保护与改善，渔业经济可持续发展的重要保障。但近年来，随着禁渔期制度的强化、渔业生产监管需求的提升和“河长制”的推行，以人工为主的管理方式(巡逻、抽查)已不能满足对非法捕捞的实时监控，渔业安全事故的快速响应等方面的管理需求。伴随着“互联网+”理念和信息化技术的普及，以中国渔政管理指挥系统、浙江“智慧渔政”管理平台等为代表的，综合远程监控、卫星定位和数据中心等信息技术的渔政信息综合化监控系统已逐步在我国渔政管理中实施。
如专利文献CN 107292246 A公开的基于HOG-PCA和迁移学习的红外人体目标识别方法，首先构建红外及可见光人体或非人体目标训练样本库；其次，提取每个样本的HOG特征，并采用PCA对特征进行降维，得到降维后的HOG-PCA目标特征集；然后，基于该特征集，借助迁移学习理论训练得到红外人体目标识别分类器；最后，对待检测的红外图像完成识别。与传统的人体目标识别算法相比，本发明提出的方法实现了从可见光图像领域到红外图像领域知识的迁移，不仅有效弥补了传统的目标识别分类器因红外图像领域训练样本过少而无法训练出有效的分类器的缺点，同时提高了目标的识别率。但本方法具有以下缺点：
(1)HOG描述对场景的识别目标信息采集量过大，无目标的区域定位；
(2)单层PCA对本场景应用的目标特征描述缺乏，导致目标识别精度不高。
又如专利文献CN 109583482 A公开的一种基于多特征融合与多核迁移学习的红外人体目标图像识别方法，首先，基于红外图像特殊的成像机理，对红外场景中的目标提取一种改进的CLBP特征一MSF-CLBP来表达纹理信息，以及一种改进的局部HOG特征一HOG-FV来表达形状信息，以发掘目标中的有效特征；其次，针对上述提取到的两种异构特征，采用串联融合的方法进行特征融合，使得对目标特征信息的描述更为客观全面。最后，设计了一种融合多核分类与TrAdaBoost迁移学习框架的分类器，有效地解决了带标签的红外样本图像匾乏的问题，同时增强了待分类数据的区分性，以获取更优的识别效果。该方法从特征提取的改进和分类器的设计两方面着手，改善了特征信息的表达，提升了复杂背景下红外人体目标识别的性能。但本方法具有以下缺点：
(1)特征表达复杂，不适合渔政监控实时系统；
(2)多核分类与TrAdaBoost迁移学习框架的分类器在本应用中识别精度不高。
因此，有必要开发一种基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质。
发明内容
本发明的目的是提供一种基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质，能实现渔政监控红外目标的分类和检测。
本发明所述的一种基于PCNN和PCANet的渔政监控系统红外目标识别方法，包括以下步骤：
步骤1.获取水面监控现场的红外图像；
步骤2.利用各向异性滤波器对原始的红外图像进行红外降噪处理；
步骤3.利用简化PCNN模型和改进CS算法分割出红外目标对象区域；
步骤4.通过PCANet深度学习网络进行目标特征提取，利用SVM分类器进行目标判断与分类，输出目标识别结果并报警。
进一步，所述步骤2具体为：
利用在x和y方向上选择不同尺度的高斯曲率核作用，构建随红外噪声情况自适应调节的非线性滤波器,其滤波算子表达为：
Figure BDA0002232675050000021
式中：σx、σy均为高斯尺度因子，其中σx为在x方向上当前像素点与所在邻域窗口灰度均值的差值绝对值，σy为在y方向上当前像素点与所在邻域窗口灰度均值的差值绝对值。
进一步，所述步骤3中，所述简化PCNN模型为：
Fij[n]＝Iij  (2)
Figure BDA0002232675050000031
Uij[n]＝Fij[n](1+βLij[n])  (4)
Eij[n]＝exp(-αE)Eij[n-1]+VEYij[n]  (5)
Figure BDA0002232675050000032
其中：
n为迭代次数，n＝0,1,2,3,…,N；
Fij[n]为第n次迭代上的反馈输入；Iij为坐标(i,j)神经元的输入，为原始红外监控图像的像素灰度值；
Lij[n]为反映邻域影响的第n次迭代上的连接输入；Dij,kl为邻域空间连接权矩阵，其中：
Figure BDA0002232675050000033
Ykl[n-1]为以坐标(i,j)神经元为中心的邻域神经元在第n-1次迭代上的脉冲输出信号，邻域神经元的坐标为(k,l)；
Uij[n]为第n次迭代上的耦合两个输入的神经元内部活动项；β为内部连接强度系数；
Eij[n]为第n次迭代上的动态阈值；Eij[n-1]为第n-1次迭代上的动态阈值；αE为动态阈值衰减系数；VE为动态阈值放大系数；Yij[n]是坐标(i,j)神经元的脉冲输出。
进一步，所述步骤3中，改进CS算法具体为：
(a)创建布谷鸟种群，初始化参数，以最小交叉熵为适应度函数；
(b)初始化种群，在nbird个寄生鸟巢应用Kent混沌算子在取值空间中随机产生初始位置，计算种群内适应度值，并保留最优解，其中，Kent混沌算子定义为：
Figure BDA0002232675050000034
式中：ε为控制参数；zm为产生的第m个Kent混沌序列值；zm+1为产生的第m+1个Kent混沌序列值；
(c)全局搜索：按照改进CS算法的莱维飞行公式改进莱维飞行，对每个鸟巢进行位置更新，其中，改进CS算法的莱维飞行公式为：
Figure BDA0002232675050000041
式中：
Figure BDA0002232675050000042
表示在第t代的第τ个鸟巢位置；
Figure BDA0002232675050000043
为第t+1代的第τ个鸟巢位置；nbird为寄生鸟巢的数目；α表示步长控制量；G为当前迭代次数；
Figure BDA0002232675050000044
为点对点乘法；L(λ)表示由服从参数λ的莱维随机分布产生的一个随机搜索向量，具体表达为：
Figure BDA0002232675050000045
式中：u和v为随机变量，两者均服从正态分布，即
Figure BDA0002232675050000046
和
Figure BDA0002232675050000047
Figure BDA0002232675050000048
为第t代的第θ个鸟巢位置；
Figure BDA0002232675050000049
为第t代的最优鸟巢位置；
(d)计算种群内适应度值，与当前存储的最优解比较，保存更好的最优解；
(e)产生随机数R，与宿主发生外来蛋概率Pa比较；
(f)若R＞Pa，则进入步骤(g)，否则进入步骤(h)；
(g)抛弃被发现的这个鸟巢，通过随机游走建立新鸟巢，产生新位置，重新计算种群内适应度值，保留当前最优解；
(h)局部搜索：应用Kent混沌算子在当前最优解邻域内开展搜索，计算领域内适应度值，保留当前最优解；
(i)判断是否满足结束条件，若是，则输出全局最优值，否则返回步骤(c)。
进一步，所述步骤4中，通过PCANet深度学习网络进行目标特征提取，具体为：
PCANet的网络体系结构具有三层；
第一层将CS-PCNN已分割出的、并调整为同一大小尺寸的候选区域图像作为输入；在第δ张候选目标图像内，以k1×k2窗口在目标最小外接矩形区域的每一点像素上滑动，截取p×q个片段，并进行去均值处理；分割出的
Figure BDA00022326750500000410
个候选目标图像进行完上述运算后，形成矩阵序列：
Figure BDA00022326750500000411
式中：
Figure BDA00022326750500000412
为截取的候选区域图像片段的全体空间；
Figure BDA00022326750500000413
为第Δ
Figure BDA00022326750500000414
张候选目标图像的矩阵表达，将该矩阵序列送入第一层PCA滤波器，以最小化重构误差方式实现主成分分析，并提取L1个主成分特征向量，其表示为：
Figure BDA0002232675050000051
式中：
Figure BDA0002232675050000052
为通过主成分分析后获得的第h个特征向量，且h＝1,2,…,L1，
Figure BDA0002232675050000053
为第一层PCA卷积的映射核函数；
第二层是将第一层输出得到的h个特征向量作为输入，同样进行去均值和主成分分析运算，第二层PCA卷积的映射核函数表达为
Figure BDA0002232675050000054
第二层PCA滤波过程表示为：
Figure BDA0002232675050000055
式中：
Figure BDA0002232675050000056
为通过第二层主成分分析后输出的特征向量，其数量为L2个；
第三层为PCANet模型的特征输出层，它通过对第二层输出的特征向量进行二进制哈希编码，并排列成十进制图像块，送入直方图统计运算，再将其向量化，最终实现候选目标的特征提取；其中，哈希编码表示为：
Figure BDA0002232675050000057
式中：H(·)为单位阶跃函数，
Figure BDA0002232675050000058
为二进制哈希编码输出；直方图统计及向量化运算表示为：
Figure BDA0002232675050000059
式中：Bhisto(·)函数表示图像分块及直方图统计，B为分块数目；fi'表示第i'张候选目标图像经过深度学习模型PCANet最终输出的特征向量；
Figure BDA00022326750500000510
为全体候选目标图像的特征向量空间。
进一步，所述步骤4中，利用SVM分类器进行目标判断与分类，具体为：
选用基于线性核函数构建的三分类层次支持向量机，通过特征数据集的训练，以实现对水面存在的落水求救人员和捕捞渔船的识别报警。
本发明所述的一种存储介质，其内存储有计算机程序，所述计算机程序被处理模块调用执行如本发明所述的基于PCNN和PCANet的渔政监控系统红外目标识别方法的步骤。
本发明具有以下优点：本方法先利用改进布谷鸟搜索参数寻优后的脉冲耦合神经网络模型进行区域分割，后通过主成分分析网络联合支持向量机的目标识别方法，有效实现了渔政监控红外目标的分类和检测。
附图说明
图1为本发明的流程图；
图2为本发明中简化PCNN单个神经元模型的示意图；
图3为本发明中改进布谷鸟搜索算法的流程图；
图4为利用本发明对非法捕捞渔船和落水求救人员的目标分割结果示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，一种基于PCNN和PCANet的渔政监控系统红外目标识别方法，包括以下步骤：
步骤1.获取水面监控现场的红外图像；
步骤2.利用各向异性滤波器对原始的红外图像进行红外降噪处理；
步骤3.利用简化PCNN(即脉冲耦合神经网络)模型和改进CS(布谷鸟搜索)算法分割出红外目标对象区域；
步骤4.通过PCANet(即主成分分析网络)深度学习网络进行目标特征提取，利用SVM(即支持向量机)分类器进行目标判断与分类，输出目标识别结果并报警。
以下对本实施例进行详细的说明：
一、红外图像降噪处理
从红外监控端所获取的现场图像，除具有信噪比低、对比度差等固有红外图像特点外，还由于多雾、潮湿的江河水面环境会对探测器、读出与处理电路以及无线传输信号造成不利影响，其最终传输到监控中心的质量将进一步降低。为了能准确、有效的从该低质图像中识别出监控对象，系统选用了各向异性高斯滤波器来实现采集图像的预处理。该滤波器利用在x和y方向上选择不同尺度的高斯曲率核作用，从而构建起随红外噪声情况自适应调节的非线性滤波器,其滤波算子表达为：
Figure BDA0002232675050000061
式中：σx、σy为高斯尺度因子，其尺度因子分别定义为在x和y不同方向上当前像素点与所在邻域窗口灰度均值的差值绝对值。
该滤波器能够在水面复杂场景图像中，有效去除独立噪声，同时精确保留下具有较小梯度模值和连续性的目标细节特征，为进一步实现红外监控目标的有效分割与识别打下基础。
二、CS-PCNN红外图像分割原理
红外图像中监控目标的分割是由简化PCNN模型和改进CS算法共同完成。这其中，PCNN模型主要实现红外目标的分割，而CS算法用于PCNN模型的优化，实现对其多个参数动态、同步地调整，最终使得整个分割算法可针对场景变化的不同输入图像自适应达到最优分割效果。
2.1简化PCNN图像分割模型
PCNN模型来源于模拟哺乳动物视觉响应机制构建，因其具有无需训练、可实现相同属性神经元同步检出的良好特性。本方法旨在实现渔政监图像中水面船艇和落水人员的有效、快速提取，采用了如图2所示的简化PCNN单个神经元模型。
其每个神经元的工作原理由(2)～(6)离散迭代方程式描述：
Fij[n]＝Iij  (2)
Figure BDA0002232675050000071
Uij[n]＝Fij[n](1+βLij[n])  (4)
Eij[n]＝exp(-αE)Eij[n-1]+VEYij[n]  (5)
Figure BDA0002232675050000072
式中：
n为迭代次数，n＝0,1,2,3,…,N；
Fij[n]为第n次迭代上的反馈输入；Iij为坐标(i,j)神经元的输入，为原始红外监控图像的像素灰度值；
Lij[n]为反映邻域影响的第n次迭代上的连接输入；Dij,kl为邻域空间连接权矩阵；
Ykl[n-1]为以坐标(i,j)神经元(单个神经元)为中心的邻域神经元在第n-1次迭代上的脉冲输出信号，邻域神经元的坐标为(k,l)；
Uij[n]为第n次迭代上的耦合两个输入的神经元内部活动项；β为内部连接强度系数；
Eij[n]为第n次迭代上的动态阈值；Eij[n-1]为第n-1次迭代上的动态阈值；αE为动态阈值衰减系数；VE为动态阈值放大系数；Yij[n]是坐标(i,j)神经元(单个神经元)的脉冲输出。
在简化PCNN模型中，存在邻域空间连接权矩阵Dij,kl、内部连接强度系数β、动态阈值衰减系数αE、动态阈值放大系数VE等4个关键参数，它们的取值共同决定了该模型应用于图像分割的最终效果。其中，Dij,kl反映了中心神经元附近邻域内其他神经元输出点火对其的影响，权重设置由相对距离决定，可由(7)式计算得到：
Figure BDA0002232675050000081
式中：(i,j)为中心神经元像素坐标，(k,l)为其8邻域内神经元像素坐标。对于其余的3个参数β、αE和VE的设置，这里引入了改进CS算法来实现在其解空间里调整，以确保在变化的气象、光照条件下，所采集到的水面红外图像都能够有效、准确分割出监控目标。
2.2基于改进CS算法的分割模型参数寻优
CS算法是一种解决多个参数最优化求解问题的新型群智能算法。它以模拟布谷鸟寄生孵育雏鸟的生物行为为基础，采用莱维飞行(Lévy flights)模式，将频繁的短距离探索与偶尔的较长距离迁移的策略结合在了约束空间内最优解寻找的过程中。这使得该算法具有自动扩大搜索范围，增加种群多样性，不容易陷入局部最优值等特点，从而在最优解的全局搜索能力上优于遗传算法(genetic algorithm,GA)、粒子群优化算法(particleswarm optimization，PSO)等当前流行的群智能算法。
但是，CS算法也存在着局部寻优精度不高，迭代收敛速度慢等缺点。由此，本文提出在标准CS模型基础上，做出以下两点改进：
(1)采用全局寻优和局部寻优相结合搜索方式。改进CS算法在迭代进行的全局寻优中，仍保持具有长程跳跃能力的莱维飞行模式。但同时，在每次迭代中，当莱维飞行确定了当前最优值后，就通过引入Kent混沌算子，在最优值附近的邻域内，开展搜索精度更高的局部寻优，以此增强CS算法的局部搜索能力。
同时，由于Kent混沌算子还具有的较强的分布均匀性，因此在CS算法的初始化过程中，也应用其来产生各个鸟巢的初始化位置。
(2)莱维飞行步长动态化。创建莱维飞行步长随迭代次数增加而减小机制，来加快寻优搜索的收敛速度，同时可防止原始CS算法在迭代后期易出现的在最优解附近搜索时的“跳出”行为，从而快速、有效地实现简化PCNN图像分割模型的多参数寻优。
如图3所示，改进CS算法的流程具体为：
(a)创建布谷鸟种群，初始化参数，以最小交叉熵为适应度函数；
(b)初始化种群，在nbird(nbird为寄生鸟巢的数目)个寄生鸟巢应用Kent混沌算子在取值空间中随机产生初始位置，计算种群内适应度值，并保留最优解，其中，Kent混沌算子定义为：
Figure BDA0002232675050000091
式中：zm为产生的第m个Kent混沌序列值；zm+1为产生的第m+1个Kent混沌序列值；ε为控制参数，取值为ε＝0.4。该Kent混沌算子将产生具有较高随机性和遍历性的(0,1)之间的随机数序列，来精细化局部寻优。
(c)全局搜索：按照改进CS算法的莱维飞行公式改进莱维飞行，对每个鸟巢进行位置更新，其中，改进CS算法的莱维飞行公式为：
Figure BDA0002232675050000092
式中：
Figure BDA0002232675050000093
表示在第t代的第τ个鸟巢位置；
Figure BDA0002232675050000094
为第t+1代的第τ个鸟巢位置；nbird为寄生鸟巢的数目；α表示步长控制量，取值为α＝1；G为当前迭代次数；
Figure BDA0002232675050000095
为点对点乘法；L(λ)表示由服从参数λ的莱维随机分布产生的一个随机搜索向量，具体表达为：
Figure BDA0002232675050000096
式中：u和v为随机变量，两者均服从正态分布，即
Figure BDA0002232675050000097
和
Figure BDA0002232675050000098
Figure BDA0002232675050000099
为第t代的第θ个鸟巢位置；
Figure BDA00022326750500000910
为第t代的最优鸟巢位置；
(d)计算种群内适应度值，与当前存储的最优解比较，保存更好的最优解；
(e)产生随机数R，与宿主发生外来蛋概率Pa比较；
(f)若R＞Pa，则进入步骤(g)，否则进入步骤(h)；
(g)抛弃被发现的这个鸟巢，通过随机游走建立新鸟巢，产生新位置，重新计算种群内适应度值，保留当前最优解；
(h)局部搜索：应用Kent混沌算子在当前最优解邻域内开展搜索，计算领域内适应度值，保留当前最优解；
(i)判断是否满足结束条件，若是，则输出全局最优值，否则返回步骤(c)。
三、目标特征提取和识别
3.1PCANet特征提取方法
相对于其他深度学习神经网络，PCANet具有结构简单、适应性强和高效率等特点，它克服了其他经典卷积神经网络存在的训练时间长、硬件资源要求高等不足，十分适合于实时红外图像目标的识别与分类。PCANet的网络体系结构仅含有三层，其针对水面红外目标特征提取的算法框架描述如下：
(1)第一层处理：第一层将CS-PCNN已分割出的、并调整为同一大小尺寸的候选区域图像作为输入。在第δ张候选目标图像内，以k1×k2大小的(k1、k2为窗口的长和宽，单位为像素点的个数)窗口在目标最小外接矩形区域的每一点像素上滑动，截取p×q个片段(p、q为候选目标最小外接矩形区域的长和宽，单位为像素点的个数)，并进行去均值处理。分割出的
Figure BDA0002232675050000101
个候选目标图像进行完上述运算后，形成矩阵序列：
Figure BDA0002232675050000102
式中：
Figure BDA0002232675050000103
为截取的候选区域图像片段的全体空间；
Figure BDA0002232675050000104
为第Δ
Figure BDA0002232675050000105
张候选目标图像的矩阵表达，然后，将该矩阵序列送入第一层PCA滤波器，以最小化重构误差方式实现主成分分析，并提取L1个主成分特征向量，其表示为：
Figure BDA0002232675050000106
式中：
Figure BDA0002232675050000107
为通过主成分分析后获得的第h个特征向量，且h＝1,2,…,L1；
Figure BDA0002232675050000108
为第一层PCA卷积的映射核函数。
(2)第二层处理：该层的运算与第一层相似，只是将第一层输出得到的h个特征向量作为输入，同样进行去均值和主成分分析等运算，只是此时第二层PCA卷积的映射核函数表达为
Figure BDA0002232675050000109
这样，第二层PCA滤波过程表示为：
Figure BDA0002232675050000111
式中：
Figure BDA0002232675050000112
为通过第二层主成分分析后输出的特征向量，其数量为L2个。
(3)第三层处理：这一层为PCANet模型的特征输出层，它通过对第二层输出的特征向量进行二进制哈希编码，并排列成十进制图像块，送入直方图统计运算，再将其向量化，最终实现候选目标的特征提取。其中，哈希编码可表示为：
Figure BDA0002232675050000113
式中：H(·)为单位阶跃函数，
Figure BDA0002232675050000114
为二进制哈希编码输出。直方图统计及向量化运算可表示为：
Figure BDA0002232675050000115
式中：Bhisto(·)函数表示图像分块及直方图统计，B为分块数目，fi'表示第i'张候选目标图像经过深度学习模型PCANet最终输出的特征向量；
Figure BDA0002232675050000116
为全体候选目标图像的特征向量空间。
3.2SVM水面红外目标识别方法
对于应用于水面红外目标识别的分类器，这里选用基于线性核函数构建的三分类层次支持向量机(即核函数为三次多项式的线性SVM)，通过特征数据集的训练，从而实现系统对水面存在的落水求救人员和捕捞渔船的识别报警。
如图4所示，为应用本方法的渔政监控目标的分割识别结果。表1为渔政监控红外图像的目标识别率。
表1渔政监控红外图像的目标识别率：
Figure BDA0002232675050000117
本实施例中，一种存储介质，其内存储有计算机程序，所述计算机程序被处理模块调用执行如本实施例中所述的基于PCNN和PCANet的渔政监控系统红外目标识别方法的步骤。

Claims (6)

1.一种基于PCNN和PCANet的渔政监控系统红外目标识别方法，其特征在于：
步骤1.获取水面监控现场的红外图像；
步骤2.利用各向异性滤波器对原始的红外图像进行红外降噪处理；
步骤3.利用简化PCNN模型和改进CS算法分割出红外目标对象区域；
步骤4.通过PCANet深度学习网络进行目标特征提取，利用SVM分类器进行目标判断与分类，输出目标识别结果并报警；
其中，所述步骤3中，改进CS算法具体为：
(a)创建布谷鸟种群，初始化参数，以最小交叉熵为适应度函数；
(b)初始化种群，在nbird个寄生鸟巢应用Kent混沌算子在取值空间中随机产生初始位置，计算种群内适应度值，并保留最优解，其中，Kent混沌算子定义为：
Figure FDA0003902518520000011
式中：ε为控制参数；zm为产生的第m个Kent混沌序列值；zm+1为产生的第m+1个Kent混沌序列值；
(c)全局搜索：按照改进CS算法的莱维飞行公式改进莱维飞行，对每个鸟巢进行位置更新，其中，改进CS算法的莱维飞行公式为：
Figure FDA0003902518520000012
式中：
Figure FDA0003902518520000013
表示在第t代的第τ个鸟巢位置；
Figure FDA0003902518520000014
为第t+1代的第τ个鸟巢位置；nbird为寄生鸟巢的数目；α表示步长控制量；G为当前迭代次数；
Figure FDA0003902518520000015
为点对点乘法；L(λ)表示由服从参数λ的莱维随机分布产生的一个随机搜索向量，具体表达为：
Figure FDA0003902518520000016
式中：u和v为随机变量，两者均服从正态分布，即
Figure FDA0003902518520000017
和
Figure FDA0003902518520000018
Figure FDA0003902518520000019
为第t代的第θ个鸟巢位置；
Figure FDA00039025185200000110
为第t代的最优鸟巢位置；
(d)计算种群内适应度值，与当前存储的最优解比较，保存更好的最优解；
(e)产生随机数R，与宿主发生外来蛋概率Pa比较；
(f)若R＞Pa，则进入步骤(g)，否则进入步骤(h)；
(g)抛弃被发现的这个鸟巢，通过随机游走建立新鸟巢，产生新位置，重新计算种群内适应度值，保留当前最优解；
(h)局部搜索：应用Kent混沌算子在当前最优解邻域内开展搜索，计算领域内适应度值，保留当前最优解；
(i)判断是否满足结束条件，若是，则输出全局最优值，否则返回步骤(c)。
2.根据权利要求1所述的基于PCNN和PCANet的渔政监控系统红外目标识别方法，其特征在于：所述步骤2具体为：
利用在x和y方向上选择不同尺度的高斯曲率核作用，构建随红外噪声情况自适应调节的非线性滤波器,其滤波算子表达为：
Figure FDA0003902518520000021
式中：σx、σy均为高斯尺度因子，其中σx为在x方向上当前像素点与所在邻域窗口灰度均值的差值绝对值，σy为在y方向上当前像素点与所在邻域窗口灰度均值的差值绝对值。
3.根据权利要求2所述的基于PCNN和PCANet的渔政监控系统红外目标识别方法，其特征在于：所述步骤3中，所述简化PCNN模型为：
Fij[n]＝Iij   (2)
Figure FDA0003902518520000022
Uij[n]＝Fij[n](1+βLij[n])   (4)
Eij[n]＝exp(-αE)Eij[n-1]+VEYij[n]   (5)
Figure FDA0003902518520000023
其中：
n为迭代次数，n＝0,1,2,3,…,N；
Fij[n]为第n次迭代上的反馈输入；Iij为坐标(i,j)神经元的输入，为原始红外监控图像的像素灰度值；
Lij[n]为反映邻域影响的第n次迭代上的连接输入；Dij,kl为邻域空间连接权矩阵，其中：
Figure FDA0003902518520000031
Ykl[n-1]为以坐标(i,j)神经元为中心的邻域神经元在第n-1次迭代上的脉冲输出信号，邻域神经元的坐标为(k,l)；
Uij[n]为第n次迭代上的耦合两个输入的神经元内部活动项；β为内部连接强度系数；
Eij[n]为第n次迭代上的动态阈值；Eij[n-1]为第n-1次迭代上的动态阈值；αE为动态阈值衰减系数；VE为动态阈值放大系数；Yij[n]是坐标(i,j)神经元的脉冲输出。
4.根据权利要求3所述的基于PCNN和PCANet的渔政监控系统红外目标识别方法，其特征在于：所述步骤4中，通过PCANet深度学习网络进行目标特征提取，具体为：
PCANet的网络体系结构具有三层；
第一层将CS-PCNN已分割出的、并调整为同一大小尺寸的候选区域图像作为输入；在第δ张候选目标图像内，以k1×k2窗口在目标最小外接矩形区域的每一点像素上滑动，截取p×q个片段，并进行去均值处理；分割出的
Figure FDA0003902518520000032
个候选目标图像进行完上述运算后，形成矩阵序列：
Figure FDA0003902518520000033
式中：
Figure FDA0003902518520000034
为截取的候选区域图像片段的全体空间；
Figure FDA0003902518520000035
为第△
Figure FDA0003902518520000036
张候选目标图像的矩阵表达，将该矩阵序列送入第一层PCA滤波器，以最小化重构误差方式实现主成分分析，并提取L1个主成分特征向量，其表示为：
Figure FDA0003902518520000037
式中：
Figure FDA0003902518520000038
为通过主成分分析后获得的第h个特征向量，且h＝1,2,…,L1；
Figure FDA0003902518520000039
为第一层PCA卷积的映射核函数；
第二层是将第一层输出得到的h个特征向量作为输入，同样进行去均值和主成分分析运算，第二层PCA卷积的映射核函数表达为
Figure FDA00039025185200000310
第二层PCA滤波过程表示为：
Figure FDA0003902518520000041
式中：
Figure FDA0003902518520000042
为通过第二层主成分分析后输出的特征向量，其数量为L2个；
第三层为PCANet模型的特征输出层，它通过对第二层输出的特征向量进行二进制哈希编码，并排列成十进制图像块，送入直方图统计运算，再将其向量化，最终实现候选目标的特征提取；其中，哈希编码表示为：
Figure FDA0003902518520000043
式中：H(·)为单位阶跃函数；
Figure FDA0003902518520000044
为二进制哈希编码输出；直方图统计及向量化运算表示为：
Figure FDA0003902518520000045
式中：Bhisto(·)函数表示图像分块及直方图统计，B为分块数目；fi'表示第i'张候选目标图像经过深度学习模型PCANet最终输出的特征向量；
Figure FDA0003902518520000046
为全体候选目标图像的特征向量空间。
5.根据权利要求4所述的基于PCNN和PCANet的渔政监控系统红外目标识别方法，其特征在于：所述步骤4中，利用SVM分类器进行目标判断与分类，具体为：
选用基于线性核函数构建的三分类层次支持向量机，通过特征数据集的训练，以实现对水面存在的落水求救人员和捕捞渔船的识别报警。
6.一种存储介质，其内存储有计算机程序，其特征在于：所述计算机程序被处理模块调用执行如权利要求1至5任一所述的基于PCNN和PCANet的渔政监控系统红外目标识别方法的步骤。
CN201910972867.6A 2019-10-14 2019-10-14 基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质 Active CN110738166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910972867.6A CN110738166B (zh) 2019-10-14 2019-10-14 基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910972867.6A CN110738166B (zh) 2019-10-14 2019-10-14 基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质

Publications (2)

Publication Number Publication Date
CN110738166A CN110738166A (zh) 2020-01-31
CN110738166B true CN110738166B (zh) 2023-04-18

Family

ID=69269997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910972867.6A Active CN110738166B (zh) 2019-10-14 2019-10-14 基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质

Country Status (1)

Country Link
CN (1) CN110738166B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968057A (zh) * 2020-08-24 2020-11-20 浙江大华技术股份有限公司 图像降噪方法、装置、存储介质及电子装置
CN113807018A (zh) * 2020-12-28 2021-12-17 南京航空航天大学 一种混沌量子布谷鸟搜索优化方法
CN113205517B (zh) * 2021-05-31 2023-04-07 中国民航大学 基于改进spcnn模型的机场跑道胶痕检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870816A (zh) * 2014-03-26 2014-06-18 中国科学院寒区旱区环境与工程研究所 一种识别率高的植物识别方法及装置
CN105975949A (zh) * 2016-05-26 2016-09-28 大连理工大学 一种基于视觉信息的汽车识别方法
CN106709497A (zh) * 2016-11-16 2017-05-24 北京理工大学 一种基于pcnn的红外运动弱小目标检测方法
CN107301420A (zh) * 2017-06-30 2017-10-27 武汉大学 一种基于显著性分析的热红外影像目标探测方法
CN108596142A (zh) * 2018-05-09 2018-09-28 吉林大学 一种基于PCANet的心电特征提取方法
CN108717689A (zh) * 2018-05-16 2018-10-30 北京理工大学 应用于海天背景下舰船检测领域的中长波红外图像融合方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870816A (zh) * 2014-03-26 2014-06-18 中国科学院寒区旱区环境与工程研究所 一种识别率高的植物识别方法及装置
CN105975949A (zh) * 2016-05-26 2016-09-28 大连理工大学 一种基于视觉信息的汽车识别方法
CN106709497A (zh) * 2016-11-16 2017-05-24 北京理工大学 一种基于pcnn的红外运动弱小目标检测方法
CN107301420A (zh) * 2017-06-30 2017-10-27 武汉大学 一种基于显著性分析的热红外影像目标探测方法
CN108596142A (zh) * 2018-05-09 2018-09-28 吉林大学 一种基于PCANet的心电特征提取方法
CN108717689A (zh) * 2018-05-16 2018-10-30 北京理工大学 应用于海天背景下舰船检测领域的中长波红外图像融合方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于人类视觉特性的复杂背景红外小目标检测研究;韩金辉;《中国优秀博硕士学位论文全文数据库（博士） 信息科技辑》;20170815;I138-38 *
复杂环境下用于红外人体目标分割的PCNN模型研究;贺付亮;《中国优秀博硕士学位论文全文数据库（博士） 信息科技辑》;20190415;I135-5 *
海空背景下红外舰船目标识别方法研究;刘世军;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111215;I138-993 *
红外视频中的舰船检测;石超等;《光电工程》;20181231;第45卷(第6期);170748 *

Also Published As

Publication number Publication date
CN110738166A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
Zhao et al. Cloud shape classification system based on multi-channel cnn and improved fdm
Cheng et al. FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images
CN110472627B (zh) 一种端到端的sar图像识别方法、装置及存储介质
CN108304873B (zh) 基于高分辨率光学卫星遥感影像的目标检测方法及其系统
CN107016357B (zh) 一种基于时间域卷积神经网络的视频行人检测方法
CN110738166B (zh) 基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质
Mahmoud et al. Object detection using adaptive mask RCNN in optical remote sensing images
Xie et al. Detecting trees in street images via deep learning with attention module
CN106022232A (zh) 基于深度学习的车牌检测方法
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
CN112418330A (zh) 一种基于改进型ssd的小目标物体高精度检测方法
Hu et al. Classification of PolSAR images based on adaptive nonlocal stacked sparse autoencoder
CN112818905B (zh) 一种基于注意力和时空信息的有限像素车辆目标检测方法
CN111666897A (zh) 基于卷积神经网络的斑石鲷个体识别方法
CN112686902A (zh) 核磁共振影像中脑胶质瘤识别与分割的两阶段计算方法
CN108805907B (zh) 一种行人姿势多特征智能辨识方法
Yang et al. Instance segmentation and classification method for plant leaf images based on ISC-MRCNN and APS-DCCNN
CN111259733A (zh) 一种基于点云图像的船舶识别方法及装置
CN114548256A (zh) 一种基于对比学习的小样本珍稀鸟类识别方法
Yaohua et al. A SAR oil spill image recognition method based on densenet convolutional neural network
CN115393631A (zh) 基于贝叶斯层图卷积神经网络的高光谱图像分类方法
CN108537132B (zh) 一种基于监督学习的深度自动编码器的道路分割方法
CN117079095A (zh) 基于深度学习的高空抛物检测方法、系统、介质和设备
CN113158806B (zh) 一种基于OTD_Loglogistic的SAR数据海洋目标检测方法
CN115187878A (zh) 基于无人机图像分析的风力发电装置叶片缺陷检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant