买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国人民解放军海军航空大学

摘要：本发明公开了一种基于特征融合的目标检测识别方法，其包括目标检测数据采集与预处理，飞机目标检测，设计类型识别模型I‑RACNN，包含三层子网络，第一层子网络包含一层卷积，多尺度特征融合网络，类别概率预测分支和注意力建议网络分支，第二层子网络包含图像融合网络，多尺度特征融合网络，类别概率预测分支和注意力建议网络分支，第三层子网络包含图像融合网络，多尺度特征融合网络，类别概率预测分支，对三层子网络设计损失函数，计算损失值并优化网络，模型训练，模型测试与结果预警。本发明智能识别飞机类型，提升算法对目标飞机细粒度分类的效果，减少飞行指挥员和飞行员识别目标机的工作压力，提高塔台指挥人员的效率和塔台自动化水平。

主权项：1.一种基于特征融合的目标检测识别方法，其特征在于具体包括如下步骤：步骤1、目标检测数据采集与预处理采集目标机图像，使用斜框标记目标机位置，划分斜框检测训练样本与斜框检测测试样本；对斜框检测训练样本，根据所标注目标机位置切取目标机所在像素块，获得类型识别训练样本x并标注真实类别标签；步骤2、飞机目标检测使用斜框检测训练样本训练目标检测算法以学习飞机位置；步骤3、飞机目标类型识别模型第一层子网络设计设计类型识别模型I-RACNN，包含三层子网络，第一层子网络的输入为类型识别训练样本x的原始图像，输出为类别概率预测值和预测的重点区域图像位置；第一层子网络包含一层卷积ConvLayer1，一个多尺度特征融合网络，类别概率预测分支和注意力建议网络分支，设计如下：S3-1：ConvLayer1输入为类型识别训练样本x的原始图像，输出为尺寸64×64×16的特征图；S3-2：多尺度特征融合网络用于学习不同尺度的飞机目标特征，其输入为S3-1中ConvLayer1输出的特征图，输出长度为1024的特征FC1；S3-3：类别概率预测分支用于根据多尺度特征融合网络所学特征FC1预测输入图像的类别；其输入为S3-2中多尺度特征融合网络所提取的特征FC1，输出为类别概率预测值；S3-4：注意力建议网络分支注意力建议网络分支用于预测类型识别训练样本x的重点区域图像的位置，然后根据坐标和边长裁剪原始图像即可获得重点区域图像；APN分支的输入为S3-2中多尺度特征融合网络所提取的特征FC1，输出为预测的重点区域图像的位置；步骤4、飞机目标类型识别模型第二、三层子网络设计第二层子网络的输入为原始图像和根据S3-4放大后的重点区域图像，输出为类别概率预测值和注意力建议网络分支预测的重点区域图像位置；第二层子网络包含图像融合网络，多尺度特征融合网络，类别概率预测分支和注意力建议网络分支，设计如下：S41-1：图像融合网络的输入为原始图像和根据S3-4放大后的重点区域图像，输出为融合之后尺寸为64×64×16的的特征图；S41-2：多尺度特征融合网络用于学习不同尺度的飞机目标特征，其输入为S41-1输出的特征图，输出长度为1024的特征FC2；S41-3：类别概率预测分支用于根据多尺度特征融合网络所学特征FC2预测输入图像的类别；其输入为S41-2中多尺度特征融合网络所提取的特征FC2，输出为类别概率预测值；S41-4：注意力建议网络分支用于预测类型识别训练样本x的重点区域图像的位置，然后根据坐标和边长裁剪原始图像即可获得重点区域图像；所述APN分支的输入为S41-2中多尺度特征融合网络所提取的特征FC2，输出为预测的重点区域图像的位置；第三层子网络的输入包含原始图像和放大后的重点区域图像两个分支，输出为类别概率预测值；第三层子网络包含图像融合网络，多尺度特征融合网络，类别概率预测分支，设计如下：S42-1：图像融合网络的输入为原始图像和放大后的重点区域图像，输出为融合之后尺寸为64×64×16的特征图；S42-2：多尺度特征融合网络用于学习不同尺度的飞机目标特征，其输入为S42-1输出的特征图，输出长度为1024的特征FC3；S42-3：类别概率预测分支用于根据多尺度特征融合网络所学特征FC3预测输入图像的类别；其输入为S42-2中多尺度特征融合网络所提取的特征FC3，输出为类别概率预测值；步骤5、损失函数设计对三层子网络设计损失函数，计算损失值并优化网络；步骤6、模型训练对于类型识别模型I-RACNN，使用SDG作为网络模型的优化器训练I-RACNN网络；步骤7、模型测试与结果预警首先检测并裁剪飞机目标；将斜框检测测试样本使用步骤2所训练完成的算法进行目标检测，获得目标机的位置检测框；然后以检测框的中心为样本的图像中心切取飞机目标图像，并重新调整大小，获得待识别的类型识别测试样本；将类型识别测试样本输入至步骤6所训练完成的飞机目标类型识别模型I-RACNN，获得目标机的类型识别结果及模型对该目标机的预测概率值；最后，在显示屏上展示传感器所拍摄的图像，根据所预测的检测框，将目标机使用红色方框标出，并显示从类型识别模型I-RACNN所预测的类别信息和置信度。

全文数据：

权利要求：

百度查询： 中国人民解放军海军航空大学 一种基于特征融合的目标检测识别方法