CN113642448B - 一种空中平台对海/地面机动目标的图像识别方法和装置 - Google Patents

一种空中平台对海/地面机动目标的图像识别方法和装置 Download PDF

Info

Publication number
CN113642448B
CN113642448B CN202110909404.2A CN202110909404A CN113642448B CN 113642448 B CN113642448 B CN 113642448B CN 202110909404 A CN202110909404 A CN 202110909404A CN 113642448 B CN113642448 B CN 113642448B
Authority
CN
China
Prior art keywords
information
image
neural network
network model
angle
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
CN202110909404.2A
Other languages
English (en)
Other versions
CN113642448A (zh
Inventor
郭强
王海鹏
王中训
赵凌业
于嘉晖
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.)
School Of Aeronautical Combat Service Naval Aeronautical University Of Pla
Original Assignee
School Of Aeronautical Combat Service Naval Aeronautical University Of Pla
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 School Of Aeronautical Combat Service Naval Aeronautical University Of Pla filed Critical School Of Aeronautical Combat Service Naval Aeronautical University Of Pla
Priority to CN202110909404.2A priority Critical patent/CN113642448B/zh
Publication of CN113642448A publication Critical patent/CN113642448A/zh
Application granted granted Critical
Publication of CN113642448B publication Critical patent/CN113642448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种空中平台对海/地面机动目标的图像识别方法和装置，所述方法包括：计算待识别机动目标的角度信息；通过光电摄像头获得所述待识别机动目标的图像信息；获得角度数据集与图像数据集；构建空中平台对海/地面机动目标的图像识别神经网络模型；利用所述角度数据集与所述图像数据集，训练所述神经网络模型；将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果。通过计算海/地面机动目标的角度信息，达到了增加探测信息维度，同时基于深度学习神经网络模型，实现了无需重塑目标图像，大幅度减少计算量，提高识别速度，从而有效提高识别准确度的技术效果。

Description

一种空中平台对海/地面机动目标的图像识别方法和装置
技术领域
本发明涉及机动目标自动识别技术领域，尤其涉及一种空中平台对海/地面机动目标的图像识别方法和装置。
背景技术
目前，对于机动目标的自动识别方法大致可以分为两种，第一种是通过不同角度寻找机动目标的不变矩特征，使得该特征在机动目标不同角度下均不变，然而对于复杂类型的机动目标，其不变矩特征变化较大，识别效果不佳；第二种是通过强化学习等手段，将不同角度的图像重构为一张目标真实图像用于目标识别，该方法存在两个问题，一是实时探测过程中，不同角度的可用实时图像不易获取，二是重构图像的计算量较大，无法满足实时性要求。
但本申请发明人在实现本申请实施例中技术方案的过程中，发现上述现有技术至少存在如下技术问题：
现有的机动目标自动识别方法中，由于无法基于角度信息对海/地面的机动目标进行多复杂角度的图像自动识别，从而导致计算过程复杂、识别速度慢，识别准确率低的技术问题。
发明内容
本发明实施例提供了一种空中平台对海/地面机动目标的图像识别方法和装置，解决了现有的机动目标自动识别方法中，由于无法基于角度信息对海/地面的机动目标进行多复杂角度的图像自动识别，从而导致计算过程复杂、识别速度慢，识别准确率低的技术问题，通过计算海/地面机动目标的角度信息，达到了增加探测信息维度，同时基于深度学习神经网络模型，实现了无需重塑目标图像，大幅度减少计算量，提高识别速度，从而有效提高识别准确度的技术效果。
鉴于上述问题，提出了本申请实施例以便提供一种空中平台对海/地面机动目标的图像识别方法和装置。
第一方面，本发明提供了一种空中平台对海/地面机动目标的图像识别方法，所述方法包括：计算待识别机动目标的角度信息；通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；获得角度数据集与图像数据集；构建空中平台对海/地面机动目标的图像识别神经网络模型；利用所述角度数据集与所述图像数据集，训练所述神经网络模型；将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果。
优选的，所述计算待识别机动目标的角度信息，包括：计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息；计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息；根据所述俯仰角信息与所述方位角信息，获得所述待识别机动目标的角度信息。
优选的，所述计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息，包括：通过激光雷达获得空中平台的俯仰光束；通过雷达获得所述待识别机动目标的机动方向；根据所述空中平台的俯仰光束与所述待识别机动目标的机动方向，计算所述机动方向与所述俯仰光束的夹角，获得所述待识别机动目标的俯仰角信息。
优选的，所述计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息，包括：通过所述激光雷达获得空中平台的方位光束；通过所述雷达获得所述待识别机动目标的机动方向；根据所述方位光束与所述机动方向，计算所述机动方向与所述方位光束的夹角，获得所述待识别机动目标的方位角信息。
优选的，所述构建空中平台对海/地面机动目标的图像识别神经网络模型，包括：卷积池化层，所述卷积池化层用于对所述图像信息进行卷积池化处理，提取所述图像信息的多特征信息；全连接输入层，所述全连接输入层结点由所述卷积池化层提取的图像多特征信息和所述角度信息合并组成；全连接中间层，所述全连接中间层用于对所述全连接输入层的结点进行全连接；全连接输出层，所述全连接输出层与所述全连接中间层的结点进行全连接，用于输出所述神经网络模型的识别结果，其中，所述全连接输出层的结点数为目标识别结果的种类个数。
优选的，所述利用所述角度数据集与所述图像数据集，训练所述神经网络模型，具体包括：步骤a：对所述神经网络模型各层结点间的参数进行初始化；步骤b：从所述图像数据集中提取历史图像信息，接入所述神经网络模型的卷积池化层，提取所述历史图像的多特征信息；步骤c：从所述角度数据集中提取历史角度信息，其中，所述历史角度信息与所述历史图像信息为一一对应关系；步骤d：将经所述卷积池化层提取的所述历史图像的多特征信息与所述历史角度信息合并组成一维向量，接入所述全连接输入层的各结点；步骤e：将所述全连接输入层结点依次向所述全连接中间层、所述全连接输出层正向推理，获得所述神经网络模型的输出结果；步骤f：利用反向传播算法由所述全连接输出层结点依次向所述全连接中间层、所述全连接输入层结点进行推理；步骤g：利用反向传播算法由所述全连接输入层中的图像多特征信息结点向所述卷积池化层进行推理，更新所述神经网络模型的各层结点参数；步骤h：重复步骤b～步骤g，直至所述角度数据集与所述图像数据集中的数据被随机提取完毕；步骤i：计算所述神经网络模型的输出结果与目标真实结果的交叉熵损失；步骤j：重复步骤b～步骤j，直至所述交叉熵损失与前次交叉熵损失的差值不再变化，所述神经网络模型训练结束，获得训练后的神经网络模型。
优选的，所述计算待识别机动目标的角度信息，还包括：所述俯仰角信息的角度范围为[0°，180°]，角精度为10°，结点数为18个；所述方位角信息的角度范围为[0°，360°]，角精度为20°，结点数为18个。
第二方面，本发明提供了一种空中平台对海/地面机动目标的图像识别装置，所述装置包括：
第一计算单元，所述第一计算单元用于计算待识别机动目标的角度信息；
第一获得单元，所述第一获得单元用于通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；
第二获得单元，所述第二获得单元用于获得角度数据集与图像数据集；
第一构建单元，所述第一构建单元用于构建空中平台对海/地面机动目标的图像识别神经网络模型；
第一训练单元，所述第一训练单元用于利用所述角度数据集与所述图像数据集，训练所述神经网络模型；
第三获得单元，所述第三获得单元用于将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果。
优选的，所述第一计算单元包括：
第二计算单元，所述第二计算单元用于计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息；
第三计算单元，所述第三计算单元用于计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息；
第四获得单元，所述第四获得单元用于根据所述俯仰角信息与所述方位角信息，获得所述待识别机动目标的角度信息。
优选的，所述第二计算单元包括：
第五获得单元，所述第五获得单元用于通过激光雷达获得空中平台的俯仰光束；
第六获得单元，所述第六获得单元用于通过雷达获得所述待识别机动目标的机动方向；
第七获得单元，所述第七获得单元用于根据所述空中平台的俯仰光束与所述待识别机动目标的机动方向，计算所述机动方向与所述俯仰光束的夹角，获得所述待识别机动目标的俯仰角信息。
优选的，所述第三计算单元包括：
第八获得单元，所述第八获得单元用于通过所述激光雷达获得空中平台的方位光束；
第九获得单元，所述第九获得单元用于通过所述雷达获得所述待识别机动目标的机动方向；
第十获得单元，所述第十获得单元用于根据所述方位光束与所述机动方向，计算所述机动方向与所述方位光束的夹角，获得所述待识别机动目标的方位角信息。
优选的，所述第一构建单元包括：
卷积池化层，所述卷积池化层用于对所述图像信息进行卷积池化处理，提取所述图像信息的多特征信息；
全连接输入层，所述全连接输入层结点由所述卷积池化层提取的图像多特征信息和所述角度信息合并组成；
全连接中间层，所述全连接中间层用于对所述全连接输入层的结点进行全连接；
全连接输出层，所述全连接输出层与所述全连接中间层的结点进行全连接，用于输出所述神经网络模型的识别结果，其中，所述全连接输出层的结点数为目标识别结果的种类个数。
优选的，所述第一训练单元具体包括：
步骤a：对所述神经网络模型各层结点间的参数进行初始化；
步骤b：从所述图像数据集中提取历史图像信息，接入所述神经网络模型的卷积池化层，提取所述历史图像的多特征信息；
步骤c：从所述角度数据集中提取历史角度信息，其中，所述历史角度信息与所述历史图像信息为一一对应关系；
步骤d：将经所述卷积池化层提取的所述历史图像的多特征信息与所述历史角度信息合并组成一维向量，接入所述全连接输入层的各结点；
步骤e：将所述全连接输入层结点依次向所述全连接中间层、所述全连接输出层正向推理，获得所述神经网络模型的输出结果；
步骤f：利用反向传播算法由所述全连接输出层结点依次向所述全连接中间层、所述全连接输入层结点进行推理；
步骤g：利用反向传播算法由所述全连接输入层中的图像多特征信息结点向所述卷积池化层进行推理，更新所述神经网络模型的各层结点参数；
步骤h：重复步骤b～步骤g，直至所述角度数据集与所述图像数据集中的数据被随机提取完毕；
步骤i：计算所述神经网络模型的输出结果与目标真实结果的交叉熵损失；
步骤j：重复步骤b～步骤j，直至所述交叉熵损失与前次交叉熵损失的差值不再变化，所述神经网络模型训练结束，获得训练后的神经网络模型。
优选的，所述第一计算单元还包括：
所述俯仰角信息的角度范围为[0°，180°]，角精度为10°，结点数为18个；
所述方位角信息的角度范围为[0°，360°]，角精度为20°，结点数为18个。
第三方面，本发明提供了一种空中平台对海/地面机动目标的图像识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
计算待识别机动目标的角度信息；通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；获得角度数据集与图像数据集；构建空中平台对海/地面机动目标的图像识别神经网络模型；利用所述角度数据集与所述图像数据集，训练所述神经网络模型；将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
计算待识别机动目标的角度信息；通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；获得角度数据集与图像数据集；构建空中平台对海/地面机动目标的图像识别神经网络模型；利用所述角度数据集与所述图像数据集，训练所述神经网络模型；将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明实施例提供的一种空中平台对海/地面机动目标的图像识别方法和装置，所述方法包括：计算待识别机动目标的角度信息；通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；获得角度数据集与图像数据集；构建空中平台对海/地面机动目标的图像识别神经网络模型；利用所述角度数据集与所述图像数据集，训练所述神经网络模型；将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果。解决了现有的机动目标自动识别方法中，由于无法基于角度信息对海/地面的机动目标进行多复杂角度的图像自动识别，从而导致计算过程复杂、识别速度慢，识别准确率低的技术问题，通过计算海/地面机动目标的角度信息，达到了增加探测信息维度，同时基于深度学习神经网络模型，实现了无需重塑目标图像，大幅度减少计算量，提高识别速度，从而有效提高识别准确度的技术效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
图1为本发明实施例中一种空中平台对海/地面机动目标的图像识别方法的流程示意图；
图2为本发明实施例中一种空中平台对海/地面机动目标的图像识别装置的结构示意图；
图3为本发明实施例中另一种空中平台对海/地面机动目标的图像识别装置的结构示意图；
图4为本发明实施例中空中平台对海/地面机动目标角度信息的示意图；
图5为本发明实施例中神经网络模型的结构示意图。
附图标记说明：第一计算单元11，第一获得单元12，第二获得单元13，第一构建单元14，第一训练单元15，第三获得单元16，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
本发明实施例提供了一种空中平台对海/地面机动目标的图像识别方法和装置，解决了现有的机动目标自动识别方法中，由于无法基于角度信息对海/地面的机动目标进行多复杂角度的图像自动识别，从而导致计算过程复杂、识别速度慢，识别准确率低的技术问题。
本发明提供的技术方案总体思路如下：计算待识别机动目标的角度信息；通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；获得角度数据集与图像数据集；构建空中平台对海/地面机动目标的图像识别神经网络模型；利用所述角度数据集与所述图像数据集，训练所述神经网络模型；将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果。通过计算海/地面机动目标的角度信息，达到了增加探测信息维度，同时基于深度学习神经网络模型，实现了无需重塑目标图像，大幅度减少计算量，提高识别速度，从而有效提高识别准确度的技术效果。
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
实施例一
图1为本发明实施例中一种空中平台对海/地面机动目标的图像识别方法的流程示意图。如图1所示，本发明实施例提供了一种空中平台对海/地面机动目标的图像识别方法，所述方法包括：
步骤110：计算待识别机动目标的角度信息；
具体而言，根据海面或地面上的所述待识别机动目标仅能在同一水平面上运动的特点，通过将所述待识别机动目标在水平面上相对于空中平台的角度信息作为影响识别结果的一个重要因素，采取了在探测所述待识别机动目标图像的同时，通过计算得到所述待识别机动目标的角度信息，从而增加了探测信息的维度，进而有效提高了海/地面机动目标的识别精度。尤其对于高机动性目标，随着其相对于空中平台的角度信息的变化，该机动目标的图像会发生巨大变化，因而增加角度信息维度，可大大有效提高机动目标识别的准确度。
在步骤110中，如图4所示，在海平面或地面上的所述待识别机动目标相对于空中平台的角度信息包括俯仰角信息和方位角信息，所以计算待识别机动目标的角度信息包括：分别计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息与方位角信息，然后根据所述俯仰角信息与所述方位角信息，计算得到所述待识别机动目标的角度信息。
进一步而言，所述计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息，包括：首先通过激光雷达获得空中平台相对海/地面上所述待识别机动目标的俯仰光束；再通过雷达获得海/地面上所述待识别机动目标的机动方向；根据所述空中平台的俯仰光束与所述待识别机动目标的机动方向，计算求得所述机动方向与所述俯仰光束的夹角，从而实现了获得机动目标俯仰角信息的技术效果，在此处需要特别强调的是，当所述待识别机动目标的俯仰角为0°时，本发明实施例提供的方法同样适用，即为海/地面平台对位于其同平面上的机动目标的图像识别方法，此时用于获取所述待识别机动目标俯仰光束的激光雷达位于海/地面平台上。
进一步而言，所述计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息，包括：首先通过所述激光雷达获得空中平台相对海/地面上所述待识别机动目标的方位光束；再通过所述雷达获得海/地面上所述待识别机动目标的机动方向；根据所述方位光束与所述机动方向，计算求得所述机动方向与所述方位光束的夹角，从而实现了获得机动目标方位角信息的技术效果。
如图4所示，假设在三维坐标系中，xy坐标系代表海平面或者地面，在xy平面上出现一辆轿车将其作为机动目标，假设空中平台的雷达探测到轿车的机动方向为y轴正方向，那么雷达探测到机动目标的直线与机动方向(图4中的y轴正方向)的夹角即为轿车与空中平台之间的俯仰角，空中平台投影至xy平面的投影点与机动方向之间的夹角即为轿车与空中平台的方位角。
进一步的，所述计算待识别机动目标的角度信息，还包括：所述俯仰角信息的角度范围为[0°，180°]，角精度为10°，结点数为18个；所述方位角信息的角度范围为[0°，360°]，角精度为20°，结点数为18个。
具体而言，空中平台对海/地面上的所述待识别机动目标的俯仰角信息的角度取值范围为[0°，180°]，假设测量的所述俯仰角精度为±10°，则将180°分解成被10整分的18份，每一份代表1个结点，共18个结点，组成一维向量，即[a1，a2，a3，a4，a5，a6，a7，a8，a9，a10，a11，a12，a13，a14，a15，a16，a17，a18]，若测得所述待识别机动目标的俯仰角信息为0-10°，则所述俯仰角信息的存储结构为[1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0]，以此类推；同理，空中平台对海/地面上的所述待识别机动目标的方位角信息的角度取值范围为[0°，360°]，假设测量的所述方位角精度为±20°，则将360°分解成被20整分的18份，每一份代表1个结点，共18个结点，组成一维向量[b1，b2，b3，b4，b5，b6，b7，b8，b9，b10，b11，b12，b13，b14，b15，b16，b17，b18]，若测得所述待识别机动目标的方位角信息为0-20°，则所述方位角信息的存储结构为[1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0]，以此类推；最后将所述待识别机动目标的俯仰角信息[a1，a2，a3，a4，a5，a6，a7，a8，a9，a10，a11，a12，a13，a14，a15，a16，a17，a18]与所述待识别机动目标的方位角信息[b1，b2，b3，b4，b5，b6，b7，b8，b9，b10，b11，b12，b13，b14，b15，b16，b17，b18]并联组成新的一维向量作为所述待识别机动目标的角度信息。
步骤120：通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；
具体而言，本发明实施例利用所述光电摄像头对海平面或地面上的所述待识别机动目标的图像信息进行实时获取，值得注意的是，所述图像信息与所述角度信息相互匹配，为一一对应的关系，换言之，通过雷达或激光雷达采集并计算之后得到的所述角度信息具有唯一序列号，在获取到的所述图像信息同样具有唯一序列号，且同一时刻获取的所述图像信息的唯一序列号与所述角度信息的唯一序列号相同，即就是在同一时刻同时获取所述待识别机动目标的图像信息与角度信息，从而实现了图像信息与角度信息关联配对的技术效果。
步骤130：获得角度数据集与图像数据集；
具体而言，空中平台对海平面或地面上的历史机动目标进行探测，其中，所述历史机动目标为监测的若干个已有机动目标，获得所述历史机动目标的角度信息与图像信息，在这里，所述历史机动目标的角度信息与图像信息也是一一对应关系，若干个关联的所述角度信息与图像信息组合在一起，从而形成所述角度数据集与所述图像数据集，在后面用于对所述神经网络模型进行训练。
步骤140：构建空中平台对海/地面机动目标的图像识别神经网络模型；
进一步的，所述构建空中平台对海/地面机动目标的图像识别神经网络模型，包括：卷积池化层，所述卷积池化层用于对所述图像信息进行卷积池化处理，提取所述图像信息的多特征信息；全连接输入层，所述全连接输入层结点由所述卷积池化层提取的图像多特征信息和所述角度信息合并组成；全连接中间层，所述全连接中间层用于对所述全连接输入层的结点进行全连接；全连接输出层，所述全连接输出层与所述全连接中间层的结点进行全连接，用于输出所述神经网络模型的识别结果，其中，所述全连接输出层的结点数为目标识别结果的种类个数。
具体而言，如图5所示，由于空中平台对海/地面机动目标的图像识别神经网络模型有图像信息与角度信息两个输入项，因而在所述神经网络模型中，所述图像信息首先经过卷积池化层处理，提取所述图像信息的多特征信息，即对所述图像信息进行降维使之形成一维向量，然后将所述图像多特征信息和所述角度信息并联接入到所述全连接输入层，其中，所述全连接输入层的结点数等于所述图像多特征信息与所述角度信息的结点数之和，对所述图像信息与所述角度信息进行深度训练，挖掘两者之间的内在联系，使得两个输入项相互关联，依次经过所述全连接中间层、所述全连接输出层，可得到更接近机动目标真实情况的输出结果，从而有效提高了机动目标的识别精度。
步骤150：利用所述角度数据集与所述图像数据集，训练所述神经网络模型；
具体而言，所述角度数据集与所述图像数据集中包含有很多个关联配对的机动目标的角度信息与图像信息，让所述神经网络模型在所述角度信息与所述图像信息中进行无数次的强化学习、训练，直到所述神经网络模型收敛为止，从而达到训练神经网络模型的技术效果。
在步骤150中，所述利用所述角度数据集与所述图像数据集训练所述神经网络模型，具体包括：
步骤a：对所述神经网络模型各层结点间的参数进行初始化；
步骤b：从所述图像数据集中提取历史图像信息，接入所述神经网络模型的卷积池化层，提取所述历史图像的多特征信息；
步骤c：从所述角度数据集中提取历史角度信息，其中，所述历史角度信息与所述历史图像信息为一一对应关系；
步骤d：将经所述卷积池化层提取的所述历史图像的多特征信息与所述历史角度信息合并组成一维向量，接入所述全连接输入层的各结点；
步骤e：将所述全连接输入层结点依次向所述全连接中间层、所述全连接输出层输入，利用神经网络正向传播算法推理获得所述神经网络模型的输出结果；
步骤f：利用反向传播算法由所述全连接输出层结点依次向所述全连接中间层、所述全连接输入层结点进行逐层反向推理；
步骤g：利用反向传播算法由所述全连接输入层中的图像多特征信息结点向所述卷积池化层进行推理，更新所述神经网络模型的各层结点参数；需要注意的是，所述全连接输入层的角度信息结点不再向前进行反向推理，仅所述全连接输入层的图像信息输入结点向所述卷积池化层进行反向推理；
步骤h：重复步骤b～步骤g，直至所述角度数据集与所述图像数据集中的数据被随机提取完毕；在这里，需要对所述图像数据集与所述角度数据集中的所有数据进行提取训练，每次提取一对数据(历史图像信息与历史角度信息)，直至提取完毕，记为一次全数据集训练结束；
步骤i：计算所述神经网络模型的输出结果与目标真实结果的交叉熵损失；
在一次全数据集训练结束以后，所述神经网络模型得到了初步训练，为了判断所述神经网络模型是否收敛，通过输出结果与真实结果计算得到交叉熵损失，若交叉熵损失较大，所述模型未收敛，则需再进行下一次迭代运算；
步骤j：重复步骤b～步骤j，直至所述交叉熵损失与前次交叉熵损失的差值不再变化，说明所述神经网络模型已经收敛，则训练结束，获得训练后的神经网络模型。
步骤160：将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果。
具体而言，空中平台探测到海平面或地面上有一未知的机动目标，即本发明实施例中的待识别机动目标，空中平台抵近所述待识别机动目标进行探测，在抵近过程中，空中平台上的光电摄像头不断地从不同角度采集所述待识别机动目标的图像信息，并通过激光雷达和雷达测量计算求得所述待识别机动目标相对于空中平台的角度信息，然后将所述图像信息与所述角度信息进行关联配对作为输入项，同时接入所述训练后的神经网络模型中，从而得到所述待识别机动目标的图像识别结果，其中，所述图像识别结果随着角度信息和图像信息的变化，不断实时更新。
实施例二
基于与前述实施例中一种空中平台对海/地面机动目标的图像识别方法同样的发明构思，本发明还提供一种空中平台对海/地面机动目标的图像识别装置，如图2所示，所述装置包括：
第一计算单元11，所述第一计算单元11用于计算待识别机动目标的角度信息；
第一获得单元12，所述第一获得单元12用于通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；
第二获得单元13，所述第二获得单元13用于获得角度数据集与图像数据集；
第一构建单元14，所述第一构建单元14用于构建空中平台对海/地面机动目标的图像识别神经网络模型；
第一训练单元15，所述第一训练单元15用于利用所述角度数据集与所述图像数据集，训练所述神经网络模型；
第三获得单元16，所述第三获得单元16用于将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果。
进一步的，所述第一计算单元11包括：
第二计算单元，所述第二计算单元用于计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息；
第三计算单元，所述第三计算单元用于计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息；
第四获得单元，所述第四获得单元用于根据所述俯仰角信息与所述方位角信息，获得所述待识别机动目标的角度信息。
进一步的，所述第二计算单元包括：
第五获得单元，所述第五获得单元用于通过激光雷达获得空中平台的俯仰光束；
第六获得单元，所述第六获得单元用于通过雷达获得所述待识别机动目标的机动方向；
第七获得单元，所述第七获得单元用于根据所述空中平台的俯仰光束与所述待识别机动目标的机动方向，计算所述机动方向与所述俯仰光束的夹角，获得所述待识别机动目标的俯仰角信息。
进一步的，所述第三计算单元包括：
第八获得单元，所述第八获得单元用于通过所述激光雷达获得空中平台的方位光束；
第九获得单元，所述第九获得单元用于通过所述雷达获得所述待识别机动目标的机动方向；
第十获得单元，所述第十获得单元用于根据所述方位光束与所述机动方向，计算所述机动方向与所述方位光束的夹角，获得所述待识别机动目标的方位角信息。
进一步的，所述第一构建单元14包括：
卷积池化层，所述卷积池化层用于对所述图像信息进行卷积池化处理，提取所述图像信息的多特征信息；
全连接输入层，所述全连接输入层结点由所述卷积池化层提取的图像多特征信息和所述角度信息合并组成；
全连接中间层，所述全连接中间层用于对所述全连接输入层的结点进行全连接；
全连接输出层，所述全连接输出层与所述全连接中间层的结点进行全连接，用于输出所述神经网络模型的识别结果，其中，所述全连接输出层的结点数为目标识别结果的种类个数。
进一步的，所述第一训练单元15具体包括：
步骤a：对所述神经网络模型各层结点间的参数进行初始化；
步骤b：从所述图像数据集中提取历史图像信息，接入所述神经网络模型的卷积池化层，提取所述历史图像的多特征信息；
步骤c：从所述角度数据集中提取历史角度信息，其中，所述历史角度信息与所述历史图像信息为一一对应关系；
步骤d：将经所述卷积池化层提取的所述历史图像的多特征信息与所述历史角度信息合并组成一维向量，接入所述全连接输入层的各结点；
步骤e：将所述全连接输入层结点依次向所述全连接中间层、所述全连接输出层正向推理，获得所述神经网络模型的输出结果；
步骤f：利用反向传播算法由所述全连接输出层结点依次向所述全连接中间层、所述全连接输入层结点进行推理；
步骤g：利用反向传播算法由所述全连接输入层中的图像多特征信息结点向所述卷积池化层进行推理，更新所述神经网络模型的各层结点参数；
步骤h：重复步骤b～步骤g，直至所述角度数据集与所述图像数据集中的数据被随机提取完毕；
步骤i：计算所述神经网络模型的输出结果与目标真实结果的交叉熵损失；
步骤j：重复步骤b～步骤j，直至所述交叉熵损失与前次交叉熵损失的差值不再变化，所述神经网络模型训练结束，获得训练后的神经网络模型。
进一步的，所述第一计算单元11还包括：
所述俯仰角信息的角度范围为[0°，180°]，角精度为10°，结点数为18个；
所述方位角信息的角度范围为[0°，360°]，角精度为20°，结点数为18个。
前述图1实施例一中的一种空中平台对海/地面机动目标的图像识别方法的各种变化方式和具体实例同样适用于本实施例的一种空中平台对海/地面机动目标的图像识别装置，通过前述对一种空中平台对海/地面机动目标的图像识别方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种空中平台对海/地面机动目标的图像识别装置的实施方法，所以为了说明书的简洁，在此不再详述。
实施例三
基于与前述实施例中一种空中平台对海/地面机动目标的图像识别方法同样的发明构思，本发明还提供一种空中平台对海/地面机动目标的图像识别装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种空中平台对海/地面机动目标的图像识别方法的任一方法的步骤。
其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
实施例四
基于与前述实施例中一种空中平台对海/地面机动目标的图像识别方法同样的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
计算待识别机动目标的角度信息；通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；获得角度数据集与图像数据集；构建空中平台对海/地面机动目标的图像识别神经网络模型；利用所述角度数据集与所述图像数据集，训练所述神经网络模型；将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果。
在具体实施过程中，该程序被处理器执行时，还可以实现实施例一中的任一方法步骤。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明实施例提供的一种空中平台对海/地面机动目标的图像识别方法和装置，所述方法包括：计算待识别机动目标的角度信息；通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；获得角度数据集与图像数据集；构建空中平台对海/地面机动目标的图像识别神经网络模型；利用所述角度数据集与所述图像数据集，训练所述神经网络模型；将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果。解决了现有的机动目标自动识别方法中，由于无法基于角度信息对海/地面的机动目标进行多复杂角度的图像自动识别，从而导致计算过程复杂、识别速度慢，识别准确率低的技术问题，通过计算海/地面机动目标的角度信息，达到了增加探测信息维度，同时基于深度学习神经网络模型，实现了无需重塑目标图像，大幅度减少计算量，提高识别速度，从而有效提高识别准确度的技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种空中平台对海/地面机动目标的图像识别方法，其特征在于，所述方法包括：
计算待识别机动目标的角度信息；
通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；
获得角度数据集与图像数据集，包括：
空中平台对海平面或地面上的历史机动目标进行探测，其中，所述历史机动目标为监测的已有机动目标，获得所述历史机动目标的角度信息与图像信息，在这里，所述历史机动目标的角度信息与图像信息也是一一对应关系，关联的所述角度信息与图像信息组合在一起，从而形成所述角度数据集与所述图像数据集；
构建空中平台对海/地面机动目标的图像识别神经网络模型；
利用所述角度数据集与所述图像数据集，训练所述神经网络模型；
将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果；
其中，所述计算待识别机动目标的角度信息，包括：
计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息；
计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息；
根据所述俯仰角信息与所述方位角信息，获得所述待识别机动目标的角度信息；
其中，所述构建空中平台对海/地面机动目标的图像识别神经网络模型，包括：
卷积池化层，所述卷积池化层用于对所述图像信息进行卷积池化处理，提取所述图像信息的多特征信息；
全连接输入层，所述全连接输入层结点由所述卷积池化层提取的图像多特征信息和所述角度信息合并组成；
全连接中间层，所述全连接中间层用于对所述全连接输入层的结点进行全连接；
全连接输出层，所述全连接输出层与所述全连接中间层的结点进行全连接，用于输出所述神经网络模型的识别结果，其中，所述全连接输出层的结点数为目标识别结果的种类个数；
其中所述利用所述角度数据集与所述图像数据集，训练所述神经网络模型，具体包括：
步骤a：对所述神经网络模型各层结点间的参数进行初始化；
步骤b：从所述图像数据集中提取历史图像信息，接入所述神经网络模型的卷积池化层，提取所述历史图像的多特征信息；
步骤c：从所述角度数据集中提取历史角度信息，其中，所述历史角度信息与所述历史图像信息为一一对应关系；
步骤d：将经所述卷积池化层提取的所述历史图像的多特征信息与所述历史角度信息合并组成一维向量，接入所述全连接输入层的各结点；
步骤e：将所述全连接输入层结点依次向所述全连接中间层、所述全连接输出层正向推理，获得所述神经网络模型的输出结果；
步骤f：利用反向传播算法由所述全连接输出层结点依次向所述全连接中间层、所述全连接输入层结点进行推理；
步骤g：利用反向传播算法由所述全连接输入层中的图像多特征信息结点向所述卷积池化层进行推理，更新所述神经网络模型的各层结点参数；
步骤h：重复步骤b～步骤g，直至所述角度数据集与所述图像数据集中的数据被随机提取完毕；
步骤i：计算所述神经网络模型的输出结果与目标真实结果的交叉熵损失；
步骤j：重复步骤b～步骤j，直至所述交叉熵损失与前次交叉熵损失的差值不再变化，所述神经网络模型训练结束，获得训练后的神经网络模型。
2.如权利要求1所述的方法，其特征在于，所述计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息，包括：
通过激光雷达获得空中平台的俯仰光束；
通过雷达获得所述待识别机动目标的机动方向；
根据所述空中平台的俯仰光束与所述待识别机动目标的机动方向，计算所述机动方向与所述俯仰光束的夹角，获得所述待识别机动目标的俯仰角信息。
3.如权利要求1所述的方法，其特征在于，所述计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息，包括：
通过激光雷达获得空中平台的方位光束；
通过所述雷达获得所述待识别机动目标的机动方向；
根据所述方位光束与所述机动方向，计算所述机动方向与所述方位光束的夹角，获得所述待识别机动目标的方位角信息。
4.如权利要求3所述的方法，其特征在于，所述计算待识别机动目标的角度信息，还包括：
所述俯仰角信息的角度范围为[0°，180°]，角精度为10°，结点数为18个；
所述方位角信息的角度范围为[0°，360°]，角精度为20°，结点数为18个。
5.一种空中平台对海/地面机动目标的图像识别装置，其特征在于，所述装置包括：
第一计算单元，所述第一计算单元用于计算待识别机动目标的角度信息；
第一获得单元，所述第一获得单元用于通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；
第二获得单元，所述第二获得单元用于获得角度数据集与图像数据集；
第一构建单元，所述第一构建单元用于构建空中平台对海/地面机动目标的图像识别神经网络模型；
第一训练单元，所述第一训练单元用于利用所述角度数据集与所述图像数据集，训练所述神经网络模型；
第三获得单元，所述第三获得单元用于将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果；
第一计算单元还包括：
第二计算单元，所述第二计算单元用于计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息；
第三计算单元，所述第三计算单元用于计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息；
第四获得单元，所述第四获得单元用于根据所述俯仰角信息与所述方位角信息，获得所述待识别机动目标的角度信息；
第一构建单元还包括：
卷积池化层，所述卷积池化层用于对所述图像信息进行卷积池化处理，提取所述图像信息的多特征信息；
全连接输入层，所述全连接输入层结点由所述卷积池化层提取的图像多特征信息和所述角度信息合并组成；
全连接中间层，所述全连接中间层用于对所述全连接输入层的结点进行全连接；
全连接输出层，所述全连接输出层与所述全连接中间层的结点进行全连接，用于输出所述神经网络模型的识别结果，其中，所述全连接输出层的结点数为目标识别结果的种类个数；
第一训练单元具体还包括：
步骤a：对所述神经网络模型各层结点间的参数进行初始化；
步骤b：从所述图像数据集中提取历史图像信息，接入所述神经网络模型的卷积池化层，提取所述历史图像的多特征信息；
步骤c：从所述角度数据集中提取历史角度信息，其中，所述历史角度信息与所述历史图像信息为一一对应关系；
步骤d：将经所述卷积池化层提取的所述历史图像的多特征信息与所述历史角度信息合并组成一维向量，接入所述全连接输入层的各结点；
步骤e：将所述全连接输入层结点依次向所述全连接中间层、所述全连接输出层正向推理，获得所述神经网络模型的输出结果；
步骤f：利用反向传播算法由所述全连接输出层结点依次向所述全连接中间层、所述全连接输入层结点进行推理；
步骤g：利用反向传播算法由所述全连接输入层中的图像多特征信息结点向所述卷积池化层进行推理，更新所述神经网络模型的各层结点参数；
步骤h：重复步骤b～步骤g，直至所述角度数据集与所述图像数据集中的数据被随机提取完毕；
步骤i：计算所述神经网络模型的输出结果与目标真实结果的交叉熵损失；
步骤j：重复步骤b～步骤j，直至所述交叉熵损失与前次交叉熵损失的差值不再变化，所述神经网络模型训练结束，获得训练后的神经网络模型。
6.一种空中平台对海/地面机动目标的图像识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
计算待识别机动目标的角度信息；
通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；
获得角度数据集与图像数据集，包括：
空中平台对海平面或地面上的历史机动目标进行探测，其中，所述历史机动目标为监测的已有机动目标，获得所述历史机动目标的角度信息与图像信息，在这里，所述历史机动目标的角度信息与图像信息也是一一对应关系，关联的所述角度信息与图像信息组合在一起，从而形成所述角度数据集与所述图像数据集；
构建空中平台对海/地面机动目标的图像识别神经网络模型；
利用所述角度数据集与所述图像数据集，训练所述神经网络模型；
将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果；
其中，所述计算待识别机动目标的角度信息，包括：
计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息；
计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息；
根据所述俯仰角信息与所述方位角信息，获得所述待识别机动目标的角度信息；
其中，所述构建空中平台对海/地面机动目标的图像识别神经网络模型，包括：
卷积池化层，所述卷积池化层用于对所述图像信息进行卷积池化处理，提取所述图像信息的多特征信息；
全连接输入层，所述全连接输入层结点由所述卷积池化层提取的图像多特征信息和所述角度信息合并组成；
全连接中间层，所述全连接中间层用于对所述全连接输入层的结点进行全连接；
全连接输出层，所述全连接输出层与所述全连接中间层的结点进行全连接，用于输出所述神经网络模型的识别结果，其中，所述全连接输出层的结点数为目标识别结果的种类个数；
其中所述利用所述角度数据集与所述图像数据集，训练所述神经网络模型，具体包括：
步骤a：对所述神经网络模型各层结点间的参数进行初始化；
步骤b：从所述图像数据集中提取历史图像信息，接入所述神经网络模型的卷积池化层，提取所述历史图像的多特征信息；
步骤c：从所述角度数据集中提取历史角度信息，其中，所述历史角度信息与所述历史图像信息为一一对应关系；
步骤d：将经所述卷积池化层提取的所述历史图像的多特征信息与所述历史角度信息合并组成一维向量，接入所述全连接输入层的各结点；
步骤e：将所述全连接输入层结点依次向所述全连接中间层、所述全连接输出层正向推理，获得所述神经网络模型的输出结果；
步骤f：利用反向传播算法由所述全连接输出层结点依次向所述全连接中间层、所述全连接输入层结点进行推理；
步骤g：利用反向传播算法由所述全连接输入层中的图像多特征信息结点向所述卷积池化层进行推理，更新所述神经网络模型的各层结点参数；
步骤h：重复步骤b～步骤g，直至所述角度数据集与所述图像数据集中的数据被随机提取完毕；
步骤i：计算所述神经网络模型的输出结果与目标真实结果的交叉熵损失；
步骤j：重复步骤b～步骤j，直至所述交叉熵损失与前次交叉熵损失的差值不再变化，所述神经网络模型训练结束，获得训练后的神经网络模型。
7.一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，该程序被处理器执行时实现以下步骤：
计算待识别机动目标的角度信息；
通过光电摄像头获得所述待识别机动目标的图像信息，其中，所述图像信息与所述角度信息为一一对应关系；
获得角度数据集与图像数据集，包括：
空中平台对海平面或地面上的历史机动目标进行探测，其中，所述历史机动目标为监测的已有机动目标，获得所述历史机动目标的角度信息与图像信息，在这里，所述历史机动目标的角度信息与图像信息也是一一对应关系，关联的所述角度信息与图像信息组合在一起，从而形成所述角度数据集与所述图像数据集；
构建空中平台对海/地面机动目标的图像识别神经网络模型；
利用所述角度数据集与所述图像数据集，训练所述神经网络模型；
将所述角度信息与所述图像信息输入所述训练后的神经网络模型，获得所述待识别机动目标的图像识别结果；
其中，所述计算待识别机动目标的角度信息，包括：
计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息；
计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息；
根据所述俯仰角信息与所述方位角信息，获得所述待识别机动目标的角度信息；
其中，所述构建空中平台对海/地面机动目标的图像识别神经网络模型，包括：
卷积池化层，所述卷积池化层用于对所述图像信息进行卷积池化处理，提取所述图像信息的多特征信息；
全连接输入层，所述全连接输入层结点由所述卷积池化层提取的图像多特征信息和所述角度信息合并组成；
全连接中间层，所述全连接中间层用于对所述全连接输入层的结点进行全连接；
全连接输出层，所述全连接输出层与所述全连接中间层的结点进行全连接，用于输出所述神经网络模型的识别结果，其中，所述全连接输出层的结点数为目标识别结果的种类个数；
其中所述利用所述角度数据集与所述图像数据集，训练所述神经网络模型，具体包括：
步骤a：对所述神经网络模型各层结点间的参数进行初始化；
步骤b：从所述图像数据集中提取历史图像信息，接入所述神经网络模型的卷积池化层，提取所述历史图像的多特征信息；
步骤c：从所述角度数据集中提取历史角度信息，其中，所述历史角度信息与所述历史图像信息为一一对应关系；
步骤d：将经所述卷积池化层提取的所述历史图像的多特征信息与所述历史角度信息合并组成一维向量，接入所述全连接输入层的各结点；
步骤e：将所述全连接输入层结点依次向所述全连接中间层、所述全连接输出层正向推理，获得所述神经网络模型的输出结果；
步骤f：利用反向传播算法由所述全连接输出层结点依次向所述全连接中间层、所述全连接输入层结点进行推理；
步骤g：利用反向传播算法由所述全连接输入层中的图像多特征信息结点向所述卷积池化层进行推理，更新所述神经网络模型的各层结点参数；
步骤h：重复步骤b～步骤g，直至所述角度数据集与所述图像数据集中的数据被随机提取完毕；
步骤i：计算所述神经网络模型的输出结果与目标真实结果的交叉熵损失；
步骤j：重复步骤b～步骤j，直至所述交叉熵损失与前次交叉熵损失的差值不再变化，所述神经网络模型训练结束，获得训练后的神经网络模型。
CN202110909404.2A 2021-08-09 2021-08-09 一种空中平台对海/地面机动目标的图像识别方法和装置 Active CN113642448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110909404.2A CN113642448B (zh) 2021-08-09 2021-08-09 一种空中平台对海/地面机动目标的图像识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110909404.2A CN113642448B (zh) 2021-08-09 2021-08-09 一种空中平台对海/地面机动目标的图像识别方法和装置

Publications (2)

Publication Number Publication Date
CN113642448A CN113642448A (zh) 2021-11-12
CN113642448B true CN113642448B (zh) 2024-01-26

Family

ID=78420345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110909404.2A Active CN113642448B (zh) 2021-08-09 2021-08-09 一种空中平台对海/地面机动目标的图像识别方法和装置

Country Status (1)

Country Link
CN (1) CN113642448B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006094780A2 (de) * 2005-03-09 2006-09-14 X3D Technologies Gmbh Verfahren zur autostereoskopischen betrachtung von bildern und autostereoskopische anordnung
CN107833280A (zh) * 2017-11-09 2018-03-23 交通运输部天津水运工程科学研究所 一种基于地理网格与图像识别相结合的户外移动增强现实方法
CN110245711A (zh) * 2019-06-18 2019-09-17 西安电子科技大学 基于角度旋转生成网络的sar目标识别方法
WO2020033966A1 (en) * 2018-08-10 2020-02-13 Buffalo Automation Group Inc. Deep learning and intelligent sensing system integration
CN110991418A (zh) * 2019-12-23 2020-04-10 中国科学院自动化研究所 合成孔径雷达目标图像识别方法及系统
WO2020119419A1 (zh) * 2018-12-14 2020-06-18 深圳壹账通智能科技有限公司 基于图像识别的测试方法、装置、计算机设备及存储介质
CN112241649A (zh) * 2019-07-16 2021-01-19 浙江宇视科技有限公司 一种目标识别方法及装置
CN112560675A (zh) * 2020-12-15 2021-03-26 三峡大学 Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法
CN113111706A (zh) * 2021-03-04 2021-07-13 西北工业大学 一种面向方位角连续缺失的sar目标特征解缠与识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378799B (zh) * 2019-07-16 2022-07-12 东北大学 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法
SG10201913955VA (en) * 2019-12-31 2021-07-29 Sensetime Int Pte Ltd Image recognition method and apparatus, and computer-readable storage medium

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006094780A2 (de) * 2005-03-09 2006-09-14 X3D Technologies Gmbh Verfahren zur autostereoskopischen betrachtung von bildern und autostereoskopische anordnung
CN107833280A (zh) * 2017-11-09 2018-03-23 交通运输部天津水运工程科学研究所 一种基于地理网格与图像识别相结合的户外移动增强现实方法
WO2020033966A1 (en) * 2018-08-10 2020-02-13 Buffalo Automation Group Inc. Deep learning and intelligent sensing system integration
WO2020119419A1 (zh) * 2018-12-14 2020-06-18 深圳壹账通智能科技有限公司 基于图像识别的测试方法、装置、计算机设备及存储介质
CN110245711A (zh) * 2019-06-18 2019-09-17 西安电子科技大学 基于角度旋转生成网络的sar目标识别方法
CN112241649A (zh) * 2019-07-16 2021-01-19 浙江宇视科技有限公司 一种目标识别方法及装置
CN110991418A (zh) * 2019-12-23 2020-04-10 中国科学院自动化研究所 合成孔径雷达目标图像识别方法及系统
CN112560675A (zh) * 2020-12-15 2021-03-26 三峡大学 Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法
CN113111706A (zh) * 2021-03-04 2021-07-13 西北工业大学 一种面向方位角连续缺失的sar目标特征解缠与识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于DRGAN和支持向量机的合成孔径雷达图像目标识别;徐英;谷雨;彭冬亮;刘俊;;光学精密工程(第03期);全文 *

Also Published As

Publication number Publication date
CN113642448A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN109509210B (zh) 障碍物跟踪方法和装置
Parisotto et al. Global pose estimation with an attention-based recurrent network
CN112991389B (zh) 一种目标跟踪方法、装置及移动机器人
Guth et al. Underwater SLAM: Challenges, state of the art, algorithms and a new biologically-inspired approach
CN104156984A (zh) 一种不均匀杂波环境下多目标跟踪的概率假设密度方法
CN114237235B (zh) 一种基于深度强化学习的移动机器人避障方法
CN116258744A (zh) 基于可见光、红外和激光雷达数据融合的目标跟踪方法
CN112734931A (zh) 一种辅助点云目标检测的方法及系统
CN107292039B (zh) 一种基于小波聚类的uuv巡岸轮廓构建方法
CN111833395B (zh) 一种基于神经网络模型的测向体制单目标定位方法和装置
CN113642448B (zh) 一种空中平台对海/地面机动目标的图像识别方法和装置
CN117232545A (zh) 一种基于深度学习道路环境感知的路径规划方法
Leung et al. Evaluating set measurement likelihoods in random-finite-set slam
CN116753936A (zh) 基于众源视觉图像的自动驾驶矢量地图在线构建方法
CN115980738A (zh) 一种基于动静分离的多目标跟踪方法
Xue et al. Real-time 3D grid map building for autonomous driving in dynamic environment
CN114511590A (zh) 基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法
CN115147385A (zh) 一种航空孔探视频中重复损伤的智能检测和判定方法
Xu et al. TrafficEKF: A learning based traffic aware extended Kalman filter
CN114140497A (zh) 目标车辆3d实时追踪方法及系统
CN113640764B (zh) 一种基于多尺寸一维卷积的雷达一维距离像识别方法和装置
Yi et al. Lidar Odometry and Mapping Optimized by the Theory of Functional Systems in the Parking Lot
CN117289298B (zh) 基于激光雷达的多机协同在线建图方法、系统及终端设备
CN118067114B (zh) 一种地图构建方法、装置、电子设备及存储介质
CN115688004B (zh) 一种基于希尔伯特编码的目标属性确定方法、介质及设备

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
CB03 Change of inventor or designer information

Inventor after: Guo Qiang

Inventor after: Wang Haipeng

Inventor after: Wang Zhongxun

Inventor after: Zhao Lingye

Inventor after: Yu Jiahui

Inventor before: Guo Qiang

Inventor before: Wang Haipeng

Inventor before: Hou Changbo

Inventor before: Wang Zhongxun

Inventor before: Zhao Lingye

Inventor before: Yu Jiahui

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant