CN111444980A - 红外点目标分类方法和装置 - Google Patents

红外点目标分类方法和装置 Download PDF

Info

Publication number
CN111444980A
CN111444980A CN202010272452.0A CN202010272452A CN111444980A CN 111444980 A CN111444980 A CN 111444980A CN 202010272452 A CN202010272452 A CN 202010272452A CN 111444980 A CN111444980 A CN 111444980A
Authority
CN
China
Prior art keywords
scale
features
band
information
infrared
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.)
Granted
Application number
CN202010272452.0A
Other languages
English (en)
Other versions
CN111444980B (zh
Inventor
邓秋群
陶华敏
肖山竹
胡谋法
卢焕章
张焱
赵菲
张路平
杨卫平
石志广
沈杏林
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010272452.0A priority Critical patent/CN111444980B/zh
Publication of CN111444980A publication Critical patent/CN111444980A/zh
Application granted granted Critical
Publication of CN111444980B publication Critical patent/CN111444980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

本申请涉及一种红外点目标分类方法和装置。所述方法包括：获取红外点目标的多波段目标信息，将多波段信息输入预先训练的多尺度卷积神经网络中，对多波段信息的各个波段进行多尺度转换，得到多尺度特征，对多尺度特征进行局部卷积，得到各个波段对应的局部特征，对局部特征进行联合表征，得到融合特征，对融合特征进行完全卷积，通过多尺度卷积神经网络的全连接层和输出层输出所述红外点目标的分类。采用本发明的技术方案可以提高点目标分类的准确率。

Description

红外点目标分类方法和装置
技术领域
本申请涉及计算机技术领域，特别是涉及一种红外点目标分类方法和装置。
背景技术
目标识别在红外成像探测系统中发挥着重要作用。在进行远距离红外探测时，目标在成像平面通常呈现为点目标，能够利用的信息十分有限，给识别带来极大的挑战，因此本发明结合多波段信息，采用多帧图像能量累积的方法，将红外目标分类转化为基于目标的红外辐射强度序列的分类问题。基于特征工程的方法分类准确率高，但前提是需要对目标特性有全面的认识，设计合适的特征用于分类，存在费时耗力以及对不同场景适应性差的问题。
近来，以深度卷积神经网络(CNN)为代表的深度学习在图像分类、目标检测、视觉识别和时间序列分类等诸多任务上表现了突出的性能。网络可以直接从原始数据中学习特征并进行分类。将深度卷积神经网络引入点目标红外辐射强度序列分类，通过结合多波段信息以及目标辐射强度序列在不同尺度上的特征，从而实现最优分类。
发明内容
本发明的目的是自动提取红外点目标多个波段多个尺度上的特征并实现目标的分类，提供一种基于多波段融合与多尺度卷积神经网络的红外点目标分类方法。
一种红外点目标分类方法，所述方法包括：
获取红外点目标的多波段目标信息；
将所述多波段信息输入预先训练的多尺度卷积神经网络中，对所述多波段信息的各个波段进行多尺度转换，得到多尺度特征；
对所述多尺度特征进行局部卷积，得到各个波段对应的局部特征；
对所述局部特征进行联合表征，得到融合特征；
对所述融合特征进行完全卷积，通过所述多尺度卷积神经网络的全连接层和输出层输出所述红外点目标的分类。
在其中一个实施例中，还包括：根据点源红外辐射理论，仿真生成红外点目标的红外辐射强度序列；根据所述红外辐射强度序列生成多波段目标信息；所述多波段目标信息包括：可见光波段信息、短波红外波段信息以及长波红外波段信息。
在其中一个实施例中，还包括：将可见光波段信息、短波红外波段信息以及长波红外波段信息输入预先训练的多尺度卷积神经网络中，生成所述多波段信息对应的三通道输入信息。
在其中一个实施例中，还包括：对所述多波段信息的各个波段进行多时间尺度转换以及多频率尺度转换，得到多尺度特征；所述多尺度特征包括：原始序列特征、多时间尺度特征以及多频率尺度特征。
在其中一个实施例中，还包括：对所述多波段信息的各个波段进行多时间尺度转换为：
Figure BDA0002443597530000021
Figure BDA0002443597530000022
Figure BDA0002443597530000023
Figure BDA0002443597530000024
其中，n表示时间序列T＝{t1,t2,…,tn}的长度，m表示初始采样速率，m＝2,3,…，f表示采样速率的增加步长，k取整数；
对所述多波段信息的各个波段进行多频率尺度转换为：
Figure BDA0002443597530000025
Figure BDA0002443597530000026
Figure BDA0002443597530000027
Figure BDA0002443597530000028
其中，s表示初始滑动窗口大小，d表示窗口大小的增加幅度。
在其中一个实施例中，还包括：将所述多尺度特征分别进行独立卷积，得到所述多尺度特征数量对应的局部特征。
在其中一个实施例中，还包括：对所述多波段目标信息中各个波段对应的局部特征进行重构，得到多波段特征；对所述多波段特征进行联合表征，得到融合特征。
一种红外点目标分类装置，所述装置包括：
多波段信息获取模块，用于获取红外点目标的多波段目标信息；
多尺度转换模块，用于将所述多波段信息输入预先训练的多尺度卷积神经网络中，对所述多波段信息的各个波段进行多尺度转换，得到多尺度特征；
特征提取模块，用于对所述多尺度特征进行局部卷积，得到各个波段对应的局部特征；对所述局部特征进行联合表征，得到融合特征；
分类模块，用于对所述融合特征进行完全卷积，通过所述多尺度卷积神经网络的全连接层和输出层输出所述红外点目标的分类。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取红外点目标的多波段目标信息；
将所述多波段信息输入预先训练的多尺度卷积神经网络中，对所述多波段信息的各个波段进行多尺度转换，得到多尺度特征；
对所述多尺度特征进行局部卷积，得到各个波段对应的局部特征；
对所述局部特征进行联合表征，得到融合特征；
对所述融合特征进行完全卷积，通过所述多尺度卷积神经网络的全连接层和输出层输出所述红外点目标的分类。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取红外点目标的多波段目标信息；
将所述多波段信息输入预先训练的多尺度卷积神经网络中，对所述多波段信息的各个波段进行多尺度转换，得到多尺度特征；
对所述多尺度特征进行局部卷积，得到各个波段对应的局部特征；
对所述局部特征进行联合表征，得到融合特征；
对所述融合特征进行完全卷积，通过所述多尺度卷积神经网络的全连接层和输出层输出所述红外点目标的分类。
上述红外点目标分类方法、装置、计算机设备和存储介质，通过提取红外点目标的多波段目标信息，丰富了点目标的信息，另一方面，对多波段信息进行多尺度转换，得到多尺度特征，进一步丰富了点目标的信息，从而在利用特征进行分类时，提高分类的准确率。然后基于各个多尺度特征进行局部卷积，得到多个局部特征，最终融合得到融合特征，利用融合特征进行分类时，可以显著提高分类的准确率。
附图说明
图1为一个实施例中多尺度卷积神经网络的结构示意图；
图2为一个实施例中红外点目标分类方法的流程示意图；
图3为一个实施例中得到融合特征的示意图；
图4为一个实施例中红外点目标分类装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的红外点目标分类方法，可以应用于图1所述的多尺度卷积神经网络。其中，多尺度卷积神经网络具有多个通道，通过转换模块将多通道的输入转化为多尺度特征。然后通过局部卷积模块将多尺度特征转化为局部特征，通过对局部特征进行融合，将融合特征作为完全卷积模块的输入，最终通过softmax输出红外点目标的所属分类。具体的，多尺度卷积神经网络可以存储在终端中，终端可以是计算机、手机、平板电脑以及智能可穿戴设备等。
在一个实施例中，如图2所示，提供了一种红外点目标分类方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤202，获取红外点目标的多波段目标信息。
红外点目标是通过红外成像探测系统对目标进行识别得到的，在远距离红外探测时，目标在平面中呈现为点目标。
多波段指的是对红外点目标根据波段对其进行划分，从而得到多个波段，一般而言，如何划分可以根据具体场景设置，在此不再赘述。
步骤204，将多波段信息输入预先训练的多尺度卷积神经网络中，对多波段信息的各个波段进行多尺度转换，得到多尺度特征。
多尺度卷积神经网络指的是通过深度卷积神经网络进行改进得到的，多尺度指的模型拥有多尺度转换能力，将原始数据转化为多尺度数据。
另外，模型拥有多个独立的输入通道，各个卷积通道的参数和模型结构完全一致。可以实现多波段和多尺度的转换。
多尺度指的是对于同一数据，从不同的角度进行特征提取，提高特征提取的准确性。
步骤206，对多尺度特征进行局部卷积，得到各个波段对应的局部特征。
值得说明的，每个波段对应多个局部特征，例如红外点目标总计包括3个波段，每个波段提取3个尺度的信息，总计可以得到9个局部特征。
步骤208，对局部特征进行联合表征，得到融合特征。
融合指的是将不同特征通过某种方法生成新的特征，从而使用新的特征进行分类，提高分类的准确率。
步骤210，对融合特征进行完全卷积，通过多尺度卷积神经网络的全连接层和输出层输出红外点目标的分类。
上述红外点目标分类方法中，通过提取红外点目标的多波段目标信息，丰富了点目标的信息，另一方面，对多波段信息进行多尺度转换，得到多尺度特征，进一步丰富了点目标的信息，从而在利用特征进行分类时，提高分类的准确率。然后基于各个多尺度特征进行局部卷积，得到多个局部特征，最终融合得到融合特征，利用融合特征进行分类时，可以显著提高分类的准确率。
在其中一个实施例中，获取多波段目标信息的步骤可以是：根据点源红外辐射理论，仿真生成红外点目标的红外辐射强度序列，根据红外辐射强度序列生成多波段目标信息，多波段目标信息包括：可见光波段信息、短波红外波段信息以及长波红外波段信息。本实施例中，通过红外辐射强度序列分为3个波段，对3个波段分开进行卷积计算，然后进行特征融合，可以提高分类的准确率。
具体的，待分类的四类目标为：平底锥目标、球底锥目标、柱底锥目标和弧形碎片，四类红外目标的仿真参数和探测器参数如表1所示：
表1四类红外目标的仿真参数和探测器参数
Figure BDA0002443597530000061
根据上述仿真参数和探测器参数可以生成红外目标的红外辐射强度序列。
在其中一个实施例中，在进行深度卷积神经网络的训练时，构建的训练集、验证集以及测试集的比例为3:1:1，序列长度为200。
在其中一个实施例中，将多波段信息输入预先训练的多尺度卷积神经网络中具体是将可见光波段信息、短波红外波段信息以及长波红外波段信息输入预先训练的多尺度卷积神经网络中，生成多波段信息对应的三通道输入信息。本实施例中，根据波的特性，将红外辐射光波分为3个波段，从而得到多波段目标信息。
在其中一个实施例中，得到多尺度特征的步骤包括：对多波段信息的各个波段进行多时间尺度转换以及多频率尺度转换，得到多尺度特征，多尺度特征包括：原始序列特征、多时间尺度特征以及多频率尺度特征。本实施例中，在原始序列特征的基础上，拓展了时间尺度特征和频率尺度特征，提高了利用特征分类时的信息量。
在一个实施例中，对多波段信息的各个波段进行多时间尺度转换为：
Figure BDA0002443597530000071
Figure BDA0002443597530000072
Figure BDA0002443597530000073
Figure BDA0002443597530000074
其中，n表示时间序列T＝{t1,t2,…,tn}的长度，m表示初始采样速率，m＝2,3,…，f表示采样速率的增加步长，k取整数；
对多波段信息的各个波段进行多频率尺度转换为：
Figure BDA0002443597530000075
Figure BDA0002443597530000076
Figure BDA0002443597530000077
Figure BDA0002443597530000078
其中，s表示初始滑动窗口大小，d表示窗口大小的增加幅度。
在一个实施例中，得到局部特征的步骤包括：将多尺度特征分别进行独立卷积，得到多尺度特征数量对应的局部特征。
在其中一个实施例中，如图3所示，提供一种得到融合特征步骤的示意图，具体步骤包括：对多波段目标信息中各个波段对应的局部特征进行重构，得到多波段特征；对多波段特征进行联合表征，得到融合特征。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种红外点目标分类装置，包括：多波段信息获取模块402、多尺度转换模块404、特征提取模块406和分类模块408，其中：
多波段信息获取模块402，用于获取红外点目标的多波段目标信息；
多尺度转换模块404，用于将所述多波段信息输入预先训练的多尺度卷积神经网络中，对所述多波段信息的各个波段进行多尺度转换，得到多尺度特征；
特征提取模块406，用于对所述多尺度特征进行局部卷积，得到各个波段对应的局部特征；对所述局部特征进行联合表征，得到融合特征；
分类模块408，用于对所述融合特征进行完全卷积，通过所述多尺度卷积神经网络的全连接层和输出层输出所述红外点目标的分类。
在其中一个实施例中，多波段信息获取模块402还用于根据点源红外辐射理论，仿真生成红外点目标的红外辐射强度序列；根据所述红外辐射强度序列生成多波段目标信息；所述多波段目标信息包括：可见光波段信息、短波红外波段信息以及长波红外波段信息。
在其中一个实施例中，多尺度转换模块404还用于将可见光波段信息、短波红外波段信息以及长波红外波段信息输入预先训练的多尺度卷积神经网络中，生成所述多波段信息对应的三通道输入信息。
在其中一个实施例中，多尺度转换模块404还用于对所述多波段信息的各个波段进行多时间尺度转换以及多频率尺度转换，得到多尺度特征；所述多尺度特征包括：原始序列特征、多时间尺度特征以及多频率尺度特征。
在其中一个实施例中，多尺度转换模块404还用于对所述多波段信息的各个波段进行多时间尺度转换为：
Figure BDA0002443597530000081
Figure BDA0002443597530000082
Figure BDA0002443597530000083
Figure BDA0002443597530000084
其中，n表示时间序列T＝{t1,t2,…,tn}的长度，m表示初始采样速率，m＝2,3,…，f表示采样速率的增加步长，k取整数；
对所述多波段信息的各个波段进行多频率尺度转换为：
Figure BDA0002443597530000091
Figure BDA0002443597530000092
Figure BDA0002443597530000093
Figure BDA0002443597530000094
其中，s表示初始滑动窗口大小，d表示窗口大小的增加幅度。
在其中一个实施例中，特征提取模块406还用于将所述多尺度特征分别进行独立卷积，得到所述多尺度特征数量对应的局部特征。
在其中一个实施例中，特征提取模块406还用于对所述多波段目标信息中各个波段对应的局部特征进行重构，得到多波段特征；对所述多波段特征进行联合表征，得到融合特征。
关于红外点目标分类装置的具体限定可以参见上文中对于红外点目标分类方法的限定，在此不再赘述。上述红外点目标分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种红外点目标分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种红外点目标分类方法，所述方法包括：
获取红外点目标的多波段目标信息；
将所述多波段信息输入预先训练的多尺度卷积神经网络中，对所述多波段信息的各个波段进行多尺度转换，得到多尺度特征；
对所述多尺度特征进行局部卷积，得到各个波段对应的局部特征；
对所述局部特征进行联合表征，得到融合特征；
对所述融合特征进行完全卷积，通过所述多尺度卷积神经网络的全连接层和输出层输出所述红外点目标的分类。
2.根据权利要求1所述的方法，其特征在于，所述获取红外点目标的多波段目标信息，包括：
根据点源红外辐射理论，仿真生成红外点目标的红外辐射强度序列；
根据所述红外辐射强度序列生成多波段目标信息；所述多波段目标信息包括：可见光波段信息、短波红外波段信息以及长波红外波段信息。
3.根据权利要求2所述的方法，其特征在于，将所述多波段信息输入预先训练的多尺度卷积神经网络中，包括：
将可见光波段信息、短波红外波段信息以及长波红外波段信息输入预先训练的多尺度卷积神经网络中，生成所述多波段信息对应的三通道输入信息。
4.根据权利要求1所述的方法，其特征在于，对所述多波段信息的各个波段进行多尺度转换，得到多尺度特征，包括：
对所述多波段信息的各个波段进行多时间尺度转换以及多频率尺度转换，得到多尺度特征；所述多尺度特征包括：原始序列特征、多时间尺度特征以及多频率尺度特征。
5.根据权利要求4所述的方法，其特征在于，对所述多波段信息的各个波段进行多时间尺度转换以及多频率尺度转换，得到多尺度特征包括：
对所述多波段信息的各个波段进行多时间尺度转换为：
Figure FDA0002443597520000021
其中，n表示时间序列T＝{t1,t2,…,tn}的长度，m表示初始采样速率，m＝2,3,…，f表示采样速率的增加步长，k取整数；
对所述多波段信息的各个波段进行多频率尺度转换为：
Figure FDA0002443597520000022
其中，s表示初始滑动窗口大小，d表示窗口大小的增加幅度。
6.根据权利要求1至5任一项所述的方法，其特征在于，对所述多尺度特征进行局部卷积，得到各个波段对应的局部特征，包括：
将所述多尺度特征分别进行独立卷积，得到所述多尺度特征数量对应的局部特征。
7.根据权利要求1至5任一项所述的方法，其特征在于，对所述局部特征进行联合表征，得到融合特征，包括：
对所述多波段目标信息中各个波段对应的局部特征进行重构，得到多波段特征；
对所述多波段特征进行联合表征，得到融合特征。
8.一种红外点目标分类装置，其特征在于，所述装置包括：
多波段信息获取模块，用于获取红外点目标的多波段目标信息；
多尺度转换模块，用于将所述多波段信息输入预先训练的多尺度卷积神经网络中，对所述多波段信息的各个波段进行多尺度转换，得到多尺度特征；
特征提取模块，用于对所述多尺度特征进行局部卷积，得到各个波段对应的局部特征；对所述局部特征进行联合表征，得到融合特征；
分类模块，用于对所述融合特征进行完全卷积，通过所述多尺度卷积神经网络的全连接层和输出层输出所述红外点目标的分类。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010272452.0A 2020-04-09 2020-04-09 红外点目标分类方法和装置 Active CN111444980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010272452.0A CN111444980B (zh) 2020-04-09 2020-04-09 红外点目标分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010272452.0A CN111444980B (zh) 2020-04-09 2020-04-09 红外点目标分类方法和装置

Publications (2)

Publication Number Publication Date
CN111444980A true CN111444980A (zh) 2020-07-24
CN111444980B CN111444980B (zh) 2024-02-20

Family

ID=71651252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010272452.0A Active CN111444980B (zh) 2020-04-09 2020-04-09 红外点目标分类方法和装置

Country Status (1)

Country Link
CN (1) CN111444980B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555458A (zh) * 2019-07-24 2019-12-10 中北大学 基于注意力机制生成对抗网络的多波段图像特征级融合方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555458A (zh) * 2019-07-24 2019-12-10 中北大学 基于注意力机制生成对抗网络的多波段图像特征级融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QIUQUN DENG，ET AL.: "Multi-Scale Convolutional Neural Networks for Space Infrared Point Objects Discrimination" *

Also Published As

Publication number Publication date
CN111444980B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN110135406B (zh) 图像识别方法、装置、计算机设备和存储介质
CN106203376B (zh) 人脸关键点定位方法及装置
CN109902659B (zh) 用于处理人体图像的方法和装置
JP6994588B2 (ja) 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体
US10289927B2 (en) Image integration search based on human visual pathway model
CN111160375B (zh) 三维关键点预测及深度学习模型训练方法、装置及设备
US20190392587A1 (en) System for predicting articulated object feature location
Khan et al. Deep learning at scale for the construction of galaxy catalogs in the Dark Energy Survey
CN109753653B (zh) 实体名称识别方法、装置、计算机设备和存储介质
CN109978754A (zh) 图像处理方法、装置、存储介质及电子设备
CN112801146B (zh) 一种目标检测方法及系统
WO2020238353A1 (zh) 数据处理方法和装置、存储介质及电子装置
CN109948700B (zh) 用于生成特征图的方法和装置
Temenos et al. Interpretable deep learning framework for land use and land cover classification in remote sensing using SHAP
US20230334893A1 (en) Method for optimizing human body posture recognition model, device and computer-readable storage medium
CN109977832B (zh) 一种图像处理方法、装置及存储介质
US10133955B2 (en) Systems and methods for object recognition based on human visual pathway
CN113705641B (zh) 基于富上下文网络的高光谱图像分类方法
CN112529149B (zh) 一种数据处理方法及相关装置
CN108830782B (zh) 图像处理方法、装置、计算机设备和存储介质
CN111401473A (zh) 基于注意力机制卷积神经网络的红外目标分类方法
CN115512005A (zh) 一种数据处理方法及其装置
CN111857334A (zh) 人体手势字母的识别方法、装置、计算机设备及存储介质
CN108521820B (zh) 使用深度神经网络的从粗略到精细的手部检测方法
CN113111684B (zh) 神经网络模型的训练方法、装置和图像处理系统

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