CN115375997A - 一种海面的目标检测方法、目标检测装置及终端设备 - Google Patents
一种海面的目标检测方法、目标检测装置及终端设备 Download PDFInfo
- Publication number
- CN115375997A CN115375997A CN202211014982.0A CN202211014982A CN115375997A CN 115375997 A CN115375997 A CN 115375997A CN 202211014982 A CN202211014982 A CN 202211014982A CN 115375997 A CN115375997 A CN 115375997A
- Authority
- CN
- China
- Prior art keywords
- data
- recognition model
- characteristic data
- target
- graph
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 28
- 238000012545 processing Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000007499 fusion processing Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明适用于图像处理的技术领域,提供了一种海面的目标检测方法、目标检测装置及终端设备,所述目标检测方法包括:获取待识别数据;将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据;将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据;将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据;将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。由于上述方案通过多个识别模型进行联合特征提取,充分利用两种识别模型的特征提取能力,并结合前后两种特征数据进行目标检测,提高了对于目标物体特征的提取能力,故提高了检测精度。
Description
技术领域
本发明属于图像处理的技术领域,尤其涉及一种海面的目标检测方法、目标检测装置及终端设备。
背景技术
海面小目标检测是指针对海面上的目标物体进行检测,而海面上的目标物体往往相较于海面而言体积较小,故称为海面小目标检测。目标物体可以是舰艇或快艇等等需要检测的物体。海面小目标检测往往用于针对目标物体发出警报。
然而,由于海面小目标检测容易受到高海浪或漂浮物等海杂波影响,进而触发虚假警报。而海杂波具有非均匀和非平稳特性,很难获取其特征规律,导致传统的海面小目标检测的检测精度较低。
发明内容
有鉴于此,本发明实施例提供了一种海面的目标检测方法、目标检测装置、终端设备及计算机可读存储介质,以解决海杂波具有非均匀和非平稳特性,很难获取其特征规律,导致传统的海面小目标检测的检测精度较低的技术问题。
本发明实施例的第一方面提供了一种海面的目标检测方法,包括:
获取待识别数据;
将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据;
将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据;
将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据;
将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。
本发明提供的一种海面的目标检测方法,获取待识别数据;将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据;将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据;将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据;将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。上述技术方案通过第一识别模型提取第一特征数据,并将第一特征数据作为中间数据,输入第二识别模型,得到第二识别模型根据第一特征数据输出的第二特征数据。其次,将第一特征数据和第二特征数据进行融合,充分利用两种识别模型的特征提取能力,得到目标特征数据。最后根据目标特征数据得到待识别数据中目标物体的识别结果。由于上述方案通过多个识别模型进行联合特征提取,充分利用两种识别模型的特征提取能力,并结合前后两种特征数据进行目标检测,提高了对于目标物体特征的提取能力,故提高了检测精度。
进一步地,所述获取待识别数据,包括:
获取由雷达模块采集的雷达回波数据;
将所述雷达回波数据进行滤波处理,得到滤波后的雷达回波数据;
将滤波后的雷达回波数据进行傅里叶变换,得到距离多普勒图;
将所述距离多普勒图作为所述待识别数据。
在本实施例中,通过将雷达回波数据转换为距离多普勒图,进而可以通过第一识别模型和第二识别模型实现目标检测,提高了目标检测检测精度。
进一步地,所述第一识别模型为卷积神经网络CNNs。
在本实施例中,由于采用卷积神经网络CNNs,而卷积神经网络CNNs网络结构简单,网络参数大大缩减,故提高了识别效率。
进一步地,所述第二识别模型为图卷积神经网络GCNs。
在本实施例中,可以通过图卷积神经网络GCNs提取多维度特征,进而深度发掘特征之间的相关性,进而提高识别精度。
进一步地,所述图卷积神经网络GCNs包括第一网络层级、第二网络层级和第三网络层级。
进一步地,所述将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据的步骤,包括:
将所述第一特征数据输入所述第二识别模型中的第一网络层级,得到所述第一网络层级基于所述第一特征数据生成的第一图数据;
将所述第一图数据输入所述第二识别模型中的第二网络层级,得到所述第二网络层级基于所述第一图数据生成的第二图数据;
将所述第二图数据输入所述第二识别模型中的第三网络层级,得到所述第三网络层级基于所述第二图数据生成的第三图数据;
提取所述第一图数据、所述第二图数据和所述第三图数据中的特征数据,并作为所述第二特征数据。
在本实施例中,将图卷积神经网络的不同层次特征组成新的图数据,并提取多个图数据的第二特征数据,而后与卷积神经网络所提取的第一特征数据相融合,提取了时域、频域和空域的特征,可以深度发掘特征之间的相关性,进而提高识别精度。
本发明实施例的第二方面提供了一种海面的目标检测装置,包括:
获取单元,用于获取待识别数据;
第一识别单元,用于将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据;
第二识别单元,用于将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据;
融合单元,用于将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据;
分类单元,用于将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。
本发明提供的一种海面的目标检测装置,获取待识别数据;将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据;将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据;将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据;将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。上述技术方案通过第一识别模型提取第一特征数据,并将第一特征数据作为中间数据,输入第二识别模型,得到第二识别模型根据第一特征数据输出的第二特征数据。其次,将第一特征数据和第二特征数据进行融合,充分利用两种识别模型的特征提取能力,得到目标特征数据。最后根据目标特征数据得到待识别数据中目标物体的识别结果。由于上述方案通过多个识别模型进行联合特征提取,充分利用两种识别模型的特征提取能力,并结合前后两种特征数据进行目标检测,提高了对于目标物体特征的提取能力,故提高了检测精度。
进一步地,所述获取单元,包括:
获取子单元,用于获取由雷达模块采集的雷达回波数据;
滤波单元,用于将所述雷达回波数据进行滤波处理,得到滤波后的雷达回波数据;
第一计算单元,用于将滤波后的雷达回波数据进行傅里叶变换,得到距离多普勒图;
第二计算单元,用于将所述距离多普勒图作为所述待识别数据。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。
本发明实施例的第四方面提供了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,所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明通过,获取待识别数据;将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据;将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据;将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据;将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。上述技术方案通过第一识别模型提取第一特征数据,并将第一特征数据作为中间数据,输入第二识别模型,得到第二识别模型根据第一特征数据输出的第二特征数据。其次,将第一特征数据和第二特征数据进行融合,充分利用两种识别模型的特征提取能力,得到目标特征数据。最后根据目标特征数据得到待识别数据中目标物体的识别结果。由于上述方案通过多个识别模型进行联合特征提取,充分利用两种识别模型的特征提取能力,并结合前后两种特征数据进行目标检测,提高了对于目标物体特征的提取能力,故提高了检测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1示出了本发明提供的一种海面的目标检测方法的示意性流程图;
图2示出了本发明提供的一种海面的目标检测方法中步骤101的具体示意性流程图;
图3示出了本发明提供的一种海面的目标检测方法中步骤103的具体示意性流程图;
图4示出了本发明提供的第二识别模型构建图数据示意图;
图5示出了本发明提供的一种海面的目标检测装置的示意图;
图6是本发明一实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了进一步理解本发明的背景技术,故在此对背景技术进行进一步说明:
海面小目标检测一直是一项具有挑战性的课题。传统目标检测算法通常是基于统计理论和雷达回波信号的幅度模型,例如:长时间积累算法和检测跟踪算法等。进一步,一些研究者在此基础之上做出了改进,提出了一些新的算法。然而,这些小目标的回波常常淹没在强时变海杂波背景下,具有低信杂比。相对于空中目标,低速运动的海面目标通常具有较弱的机动性,这导致其频谱容易落在海杂波主杂波区,加大了检测的难度。因此,高分辨海杂波背景下小目标检测一直是海内外学者研究的热点和难点。近来,由于人工智能技术的蓬勃发展,一些研究者开始尝试基于特征的检测方法。特征的提取方法由手动设置逐步发展为通过深度学习得到。
然而,由于海面小目标检测容易受到高海浪或漂浮物等海杂波影响,进而触发虚假警报。而海杂波具有非均匀和非平稳特性,很难获取其特征规律,导致传统的海面小目标检测的检测精度较低。
故本发明提供了一种海面的目标检测方法、目标检测装置、终端设备及计算机可读存储介质,以解决海杂波具有非均匀和非平稳特性,很难获取其特征规律,导致传统的海面小目标检测的检测精度较低的技术问题。
首先,本发明提供了一种海面的目标检测方法。请参见图1,图1示出了本发明提供的一种海面的目标检测方法的示意性流程图。如图1所示,该目标检测方法可以包括如下步骤:
步骤101:获取待识别数据。
海面小目标检测的原始数据往往是通过雷达探测装置采集对应的雷达信号。而本发明需要采用深度网络模型对海面小目标进行检测,故需要对原始数据进行转换处理,进而通过深度网络模型进行海面小目标检测,原始数据的转换过程如下:
具体地,步骤101具体包括步骤1011至步骤1014。如图2所示,图2示出了本发明提供的一种海面的目标检测方法中步骤101的具体示意性流程图。
步骤1011:获取由雷达模块采集的雷达回波数据。
其中,雷达回波数据包括雷达回波序列。
步骤1012:将所述雷达回波数据进行滤波处理,得到滤波后的雷达回波数据。
为了尽可能抑制雷达回波数据中的干扰数据,故对雷达回波数据进行滤波处理,得到滤波后的雷达回波数据。
步骤1013:将滤波后的雷达回波数据进行傅里叶变换,得到距离多普勒图。
傅立叶变换可以将连续或离散的函数序列从空域映射到频域上。故可通过傅里叶变换将雷达回波数据转换为距离多普勒图。其中,距离多普勒图(Range-Doppler,RD)是指用于表示距离维和多普勒维的图像。其中,R表示距离,有时可以用回波延迟时间(s)表示。D表示多普勒频率,用于表示目标的速度或间接测量目标方位。
步骤1014:将所述距离多普勒图作为所述待识别数据。
在本实施例中,通过将雷达回波数据转换为距离多普勒图,进而可以通过第一识别模型和第二识别模型实现目标检测,提高了目标检测检测精度。
步骤102:将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据。
其中,第一识别模型可以是卷积神经网络(Convolutional Neural Networks,CNNs)等用于特征提取的深度学习模型。优选地,第一识别模型优先采用卷积神经网络。
本实施例采用卷积神经网络CNNs,而卷积神经网络CNNs的网络结构简单,网络参数大大缩减,故提高了识别效率。
卷积神经网络CNNs是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariant classification),因此也被称为“平移不变人工神经网络(Shift-Invariant Artificial Neural Networks,SIANN)”。卷积神经网络包含了一个由卷积层和子采样层(池化层)构成的特征抽取器。在卷积神经网络CNNs的卷积层中,一个神经元只与部分邻层神经元连接。在卷积神经网络CNNs的一个卷积层中,通常包含若干个特征图(featureMap),每个特征图由一些矩形排列的的神经元组成,同一特征图的神经元共享权值,这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化,在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接,同时又降低了过拟合的风险。子采样也叫做池化(pooling),通常有均值子采样(mean pooling)和最大值子采样(max pooling)两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度,减少了模型的参数。
具体地,本发明中的第一识别模型(卷积神经网络CNNs)的网络层级结构如表1所示:
表1:
如表1所示,第一识别模型中用于特征提取的网络层级共具有11层。其中,第一网络层为第一卷积层Conv1,第一卷积层的卷积核尺寸为8×3×3。第二网络层为第一批量归一化层Norm1。第三网络层为第一激活函数层ReLu1。第四网络层为第一激活函数层ReLu1。第四网络层为第一池化层Maxpooling1,第一池化层的卷积核尺寸为2×2。第五网络层为第二卷积层Conv2,第二卷积层的卷积核尺寸为16×3×3。第六网络层为第二批量归一化层Norm2。第七网络层为第二激活函数层ReLu2。第八网络层为第二池化层Maxpooling2,第二池化层的卷积核尺寸为2×2。第九网络层为第三卷积层Conv3,第三卷积层的卷积核尺寸为32×3×3。第十网络层为第三批量归一化层Norm3。第十一网络层为第三激活函数层ReLu3。
步骤103:将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据。
第二识别模型可以是包括图卷积神经网络(Graph Convolutional NeuralNetworks,GCNs)等用于生成新特征图像深度学习模型。
其中,图卷积神经网络GCNs提取多维度特征,进而深度发掘特征之间的相关性,进而提高识别精度。
优选地,为了提高对于目标物体特征的提取能力,故本发明优选将图卷积神经网络作为第二识别模型。若第二识别模型为图卷积神经网络时,步骤103包括如下两种具体实现方式:
具体地,步骤103具体包括步骤1031至步骤1034。如图3所示,图3示出了本发明提供的一种海面的目标检测方法中步骤103的具体示意性流程图。
步骤1031:将所述第一特征数据输入所述第二识别模型中的第一网络层级,得到所述第一网络层级基于所述第一特征数据生成的第一图数据。
将第一特征数据转化为图数据,并将该图数据输入第二识别模型中的第一网络层级。
步骤1032:将所述第一图数据输入所述第二识别模型中的第二网络层级,得到所述第二网络层级基于所述第一图数据生成的第二图数据。
步骤1033:将所述第二图数据输入所述第二识别模型中的第三网络层级,得到所述第三网络层级基于所述第二图数据生成的第三图数据。
第一图数据、第二图数据和第三图数据均为图数据(Graph),图数据是一种由若干个结点(Node)及连接两个结点的边(Edge)所构成的图形,用于刻画不同结点之间的关系。
图卷积神经网络从卷积方式上可以分为两种:1.频谱域(spectral)卷积,2.空间域卷积。频谱卷积将卷积网络的滤波器与图信号同时搬移到傅里叶域以后进行处理。而空间域的卷积,让图中的节点在空间域中相连、达成层级结构,进而进行卷积。通俗点解释,空间域可以类比到直接在图片的像素点上进行卷积,而频谱域可以类比到对图片进行傅里叶变换后,再进行卷积。
在图卷积神经网络中的输入数据的是整张图,在Convolution Layer 1里,对每个结点的邻居都进行一次卷积操作,并用卷积的结果更新该结点;然后经过激活函数如ReLU,然后再过一层卷积层Convolution Layer 2与一层激活函数;反复上述过程,直到层数达到预期深度。
步骤1034:提取所述第一图数据、所述第二图数据和所述第三图数据中的特征数据,并作为所述第二特征数据。
在本实施例中,将图卷积神经网络的不同层次特征组成新的图数据,并提取多个图数据的第二特征数据,而后与卷积神经网络所提取的第一特征数据相融合,提取了时域、频域和空域的特征,可以深度发掘特征之间的相关性。
其中,第二识别模型利用第一图数据、第二图数据和第三图数据生成第二特征的过程如下:
请参见图4,图4示出了本发明提供的第二识别模型构建图数据示意图。xn表示特征图的第n个像素,fm(xn)表示第m层特征图上第n个像素的特征。真实目标(即目标物体)与虚警目标(即非目标物体)在不同特征层上的相关性可以用领域矩阵Am表示。以fm(xn)为端点,Am,p(xn)为边,构建新的图数据。Am,p(xn)代表fm(xn)与fp(xn)之间的欧氏距离。其中,在图4中第二识别模型的层级结构和特征图数量仅仅作为示例,不做为任何限定。
步骤104:将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据。
为了同时利用第一识别模型和第二识别模型的特征提取能力,故将第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据。进而进行分类处理,得到待识别数据中目标物体的识别结果。
步骤105:将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。
在本实施例中,获取待识别数据;将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据;将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据;将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据;将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。上述技术方案通过第一识别模型提取第一特征数据,并将第一特征数据作为中间数据,输入第二识别模型,得到第二识别模型根据第一特征数据输出的第二特征数据。其次,将第一特征数据和第二特征数据进行融合,充分利用两种识别模型的特征提取能力,得到目标特征数据。最后根据目标特征数据得到待识别数据中目标物体的识别结果。由于上述方案通过多个识别模型进行联合特征提取,充分利用两种识别模型的特征提取能力,并结合前后两种特征数据进行目标检测,提高了对于目标物体特征的提取能力,故提高了检测精度。
如图5本发明提供了一种海面的目标检测装置5,请参见图5,图5示出了本发明提供的一种海面的目标检测装置的示意图,如图5所示一种海面的目标检测装置包括:
获取单元51,用于获取待识别数据;
第一识别单元52,用于将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据;
第二识别单元53,用于将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据;
融合单元54,用于将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据;
分类单元55,用于将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。
进一步地,所述获取单元,包括:
获取子单元,用于获取由雷达模块采集的雷达回波数据;
滤波单元,用于将所述雷达回波数据进行滤波处理,得到滤波后的雷达回波数据;
第一计算单元,用于将滤波后的雷达回波数据进行傅里叶变换,得到距离多普勒图;
第二计算单元,用于将所述距离多普勒图作为所述待识别数据。
本发明提供的一种海面的目标检测装置,获取待识别数据;将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据;将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据;将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据;将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。上述技术方案通过第一识别模型提取第一特征数据,并将第一特征数据作为中间数据,输入第二识别模型,得到第二识别模型根据第一特征数据输出的第二特征数据。其次,将第一特征数据和第二特征数据进行融合,充分利用两种识别模型的特征提取能力,得到目标特征数据。最后根据目标特征数据得到待识别数据中目标物体的识别结果。由于上述方案通过多个识别模型进行联合特征提取,充分利用两种识别模型的特征提取能力,并结合前后两种特征数据进行目标检测,提高了对于目标物体特征的提取能力,故提高了检测精度。
图6是本发明一实施例提供的一种终端设备的示意图。如图6所示,该实施例的一种终端设备6包括:处理器6、存储器61以及存储在所述存储器61中并可在所述处理器6上运行的计算机程序62,例如一种海面的目标检测方法程序。所述处理器6执行所述计算机程序62时实现上述各个一种海面的目标检测方法实施例中的步骤,例如图1所示的步骤101至步骤105。或者,所述处理器6执行所述计算机程序62时实现上述各装置实施例中各单元的功能,例如图5所示单元51至55的功能。
示例性的,所述计算机程序62可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器61中,并由所述处理器6执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述一种终端设备6中的执行过程。例如,所述计算机程序62可以被分割成各单元的具体功能如下:
获取单元,用于获取待识别数据;
第一识别单元,用于将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据;
第二识别单元,用于将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据;
融合单元,用于将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据;
分类单元,用于将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。
所述终端设备中包括但不限于处理器6和存储器61。本领域技术人员可以理解,图6仅仅是一种终端设备6的示例,并不构成对一种终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器6可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述一种终端设备6的内部存储单元,例如一种终端设备6的硬盘或内存。所述存储器61也可以是所述一种终端设备6的外部存储设备,例如所述一种终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述一种终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述一种漫游控制设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,既将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供了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,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。
应当理解,当在本发明说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于监测到”。类似地,短语“如果确定”或“如果监测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦监测到[所描述条件或事件]”或“响应于监测到[所描述条件或事件]”。
另外,在本发明说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种海面的目标检测方法,其特征在于,所述目标检测方法包括:
获取待识别数据;
将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据;
将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据;
将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据;
将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。
2.如权利要求1所述的目标检测方法,其特征在于,所述获取待识别数据,包括:
获取由雷达模块采集的雷达回波数据;
将所述雷达回波数据进行滤波处理,得到滤波后的雷达回波数据;
将滤波后的雷达回波数据进行傅里叶变换,得到距离多普勒图;
将所述距离多普勒图作为所述待识别数据。
3.如权利要求1所述的目标检测方法,其特征在于,所述第一识别模型为卷积神经网络CNNs。
4.如权利要求1所述的目标检测方法,其特征在于,所述第二识别模型为图卷积神经网络GCNs。
5.如权利要求4所述的目标检测方法,其特征在于,所述图卷积神经网络GCNs包括第一网络层级、第二网络层级和第三网络层级。
6.如权利要求5所述的目标检测方法,其特征在于,所述将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据的步骤,包括:
将所述第一特征数据输入所述第二识别模型中的第一网络层级,得到所述第一网络层级基于所述第一特征数据生成的第一图数据;
将所述第一图数据输入所述第二识别模型中的第二网络层级,得到所述第二网络层级基于所述第一图数据生成的第二图数据;
将所述第二图数据输入所述第二识别模型中的第三网络层级,得到所述第三网络层级基于所述第二图数据生成的第三图数据;
提取所述第一图数据、所述第二图数据和所述第三图数据中的特征数据,并作为所述第二特征数据。
7.一种海面的目标检测装置,其特征在于,所述目标检测装置包括:
获取单元,用于获取待识别数据;
第一识别单元,用于将所述待识别数据输入第一识别模型,得到由所述第一识别模型输出的第一特征数据;
第二识别单元,用于将所述第一特征数据输入第二识别模型,得到由所述第二识别模型输出的第二特征数据;
融合单元,用于将所述第一特征数据与所述第二特征数据进行融合处理,得到目标特征数据;
分类单元,用于将所述目标特征数据进行分类处理,得到所述待识别数据中目标物体的识别结果。
8.如权利要求7所述的目标检测方法,其特征在于,所述获取单元,包括:
获取子单元,用于获取由雷达模块采集的雷达回波数据;
滤波单元,用于将所述雷达回波数据进行滤波处理,得到滤波后的雷达回波数据;
第一计算单元,用于将滤波后的雷达回波数据进行傅里叶变换,得到距离多普勒图;
第二计算单元,用于将所述距离多普勒图作为所述待识别数据。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至6任一项所述方法的步骤。
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实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211014982.0A CN115375997B (zh) | 2022-08-23 | 2022-08-23 | 一种海面的目标检测方法、目标检测装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211014982.0A CN115375997B (zh) | 2022-08-23 | 2022-08-23 | 一种海面的目标检测方法、目标检测装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115375997A true CN115375997A (zh) | 2022-11-22 |
CN115375997B CN115375997B (zh) | 2023-10-31 |
Family
ID=84067109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211014982.0A Active CN115375997B (zh) | 2022-08-23 | 2022-08-23 | 一种海面的目标检测方法、目标检测装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375997B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135341A (zh) * | 2019-05-15 | 2019-08-16 | 河北科技大学 | 杂草识别方法、装置及终端设备 |
WO2020073665A1 (zh) * | 2018-10-11 | 2020-04-16 | 平安科技(深圳)有限公司 | 在频谱上对语音进行情绪识别的方法、系统及存储介质 |
CN112560980A (zh) * | 2020-12-24 | 2021-03-26 | 深圳市优必选科技股份有限公司 | 目标检测模型的训练方法、装置及终端设备 |
WO2021175006A1 (zh) * | 2020-03-04 | 2021-09-10 | 深圳壹账通智能科技有限公司 | 车辆图像检测方法、装置、计算机设备及存储介质 |
CN113837130A (zh) * | 2021-09-29 | 2021-12-24 | 福州大学 | 一种人体手部骨架检测方法及系统 |
CN114565639A (zh) * | 2022-02-21 | 2022-05-31 | 西安电子科技大学 | 一种基于复合卷积网络的目标跟踪方法及系统 |
CN114821554A (zh) * | 2022-04-02 | 2022-07-29 | 澳门科技大学 | 图像识别方法、电子设备及存储介质 |
-
2022
- 2022-08-23 CN CN202211014982.0A patent/CN115375997B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073665A1 (zh) * | 2018-10-11 | 2020-04-16 | 平安科技(深圳)有限公司 | 在频谱上对语音进行情绪识别的方法、系统及存储介质 |
CN110135341A (zh) * | 2019-05-15 | 2019-08-16 | 河北科技大学 | 杂草识别方法、装置及终端设备 |
WO2021175006A1 (zh) * | 2020-03-04 | 2021-09-10 | 深圳壹账通智能科技有限公司 | 车辆图像检测方法、装置、计算机设备及存储介质 |
CN112560980A (zh) * | 2020-12-24 | 2021-03-26 | 深圳市优必选科技股份有限公司 | 目标检测模型的训练方法、装置及终端设备 |
CN113837130A (zh) * | 2021-09-29 | 2021-12-24 | 福州大学 | 一种人体手部骨架检测方法及系统 |
CN114565639A (zh) * | 2022-02-21 | 2022-05-31 | 西安电子科技大学 | 一种基于复合卷积网络的目标跟踪方法及系统 |
CN114821554A (zh) * | 2022-04-02 | 2022-07-29 | 澳门科技大学 | 图像识别方法、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
李辉;闵巍庆;王致岭;彭鑫;: "基于图卷积网络的多标签食品原材料识别", 南京信息工程大学学报(自然科学版), no. 06 * |
高淑雅;高跃清;: "一种基于卷积神经网络的雷达目标分类方法", 信息技术, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN115375997B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378381B (zh) | 物体检测方法、装置和计算机存储介质 | |
Guo et al. | A CenterNet++ model for ship detection in SAR images | |
Zhao et al. | A coupled convolutional neural network for small and densely clustered ship detection in SAR images | |
Ding et al. | Video SAR moving target indication using deep neural network | |
Tang et al. | Compressed-domain ship detection on spaceborne optical image using deep neural network and extreme learning machine | |
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
Nandhini Abirami et al. | Deep CNN and Deep GAN in Computational Visual Perception‐Driven Image Analysis | |
CN107247930A (zh) | 基于cnn和选择性注意机制的sar图像目标检测方法 | |
Wang et al. | Semantic segmentation of remote sensing ship image via a convolutional neural networks model | |
CN111062321B (zh) | 一种基于深度卷积网络的sar检测方法及系统 | |
Ren et al. | Ship recognition based on Hu invariant moments and convolutional neural network for video surveillance | |
Gao et al. | Improved YOLOv4 based on attention mechanism for ship detection in SAR images | |
Zhang et al. | A novel salient feature fusion method for ship detection in synthetic aperture radar images | |
Zhang et al. | Frequency-adaptive learning for SAR ship detection in clutter scenes | |
Kazemi et al. | Deep learning for direct automatic target recognition from SAR data | |
Thakur et al. | Hybrid deep learning and machine learning approach for passive image forensic | |
Nowruzi et al. | Polarnet: Accelerated deep open space segmentation using automotive radar in polar domain | |
Kamal et al. | Generative adversarial learning for improved data efficiency in underwater target classification | |
Zhang et al. | Contextual squeeze-and-excitation mask r-cnn for sar ship instance segmentation | |
Cong et al. | CAN: Contextual aggregating network for semantic segmentation | |
Liang et al. | A feature fusion-net using deep spatial context encoder and nonstationary joint statistical model for high resolution SAR image classification | |
CN115375997B (zh) | 一种海面的目标检测方法、目标检测装置及终端设备 | |
Srinitya et al. | Automated SAR image segmentation and classification using modified deep learning | |
Nasrabadi et al. | Automatic target recognition using deep convolutional neural networks | |
CN115346209A (zh) | 机动车三维目标检测方法、装置及计算机可读存储介质 |
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 |