本发明涉及图像识别领域,具体涉及一种基于r-cnn的毫米波图像目标检测与识别方法。
背景技术:
自学习功能、联想预存功能和高速寻找优化解的能力是人工神经网络的主要特点。在图象识别工作的急性过程作用,将一些不同的图像样板和与之对应的是被结果输入到人工神经网络以后,人工神经网络可以在对自学习功能进行充分发挥的基础上,对与之相类似的图像进行识别。人工神经网络的反馈网络系统额构建,可以让人工神经网络发挥出人脑的联想存储功能。针对某一问题的反馈性人工神经网络的构建,可以在对计算机的高速运算能力进行发挥出现基础上,对问题的优化解进行处理;模式识别问题主要可以分为两大类别,第一是对人类和其他生物的识别能力的研究工作,这一工作与生物学、心理学等专业之间存在着一定的联系。第二是在对某些应用的识别装置的设计理论要求和技术要求的基础上进行的研究工作。图像信息的火球、信息处理特征的提取、判决过程和结果的最终确定,是图像处理和模式识别系统的主要组成部分。在模式识别范畴之中,预处理和特征提取为地基处理,判决和分类功能挥别列入到高级处理范畴之中;
然而生成对抗网络在图像识别领域的应用却不多,虽然图像识别现有方法如卷积神经网络(convolutionalneuralnetworks,cnn等已经有很高的识别率,但这些方法依赖大量数据并且收敛速度较慢.本文结合条件生成对抗网络与深度卷积生成对抗。
因此,为解决以上问题,需要一种基于r-cnn的毫米波图像目标检测与识别方法,利用该方法提取特征用于图像识别,条件深度卷积对抗网络不仅可以在条件的限制下生成预期的样本,而且利用卷积层提取特征的能力较为高。
技术实现要素:
有鉴于此,本发明的目的是克服现有技术中的缺陷,提供基于r-cnn的毫米波图像目标检测与识别方法,利用该方法提取特征用于图像识别,条件深度卷积对抗网络不仅可以在条件的限制下生成预期的样本,而且利用卷积层提取特征的能力较为高。
本发明的基于r-cnn的毫米波图像目标检测与识别方法,包括下列步骤;
s1:有条件的深度卷积生成对抗网络(c-dcgan)模型;
s2:将条件加入深度卷积生成对抗网络中的生成器,利用卷积网络提取特征的能力加上条件辅以训练;
s3:将训练好的c-dcgan中的判别器部分抽取出来,添加softinax后形成用于图像识别的新网络结构。
进一步,所述深度卷积生成对抗网络的步骤为:
(a):在判别器模型中使用带步幅(stridedconvo-lutions)的卷积代替池化层(pooling);在生成器模型中使用fourfractionally-stridedconvolution完成从随机噪声到图片的生成过程。
(b):在网络结构中,除了生成器模型的输出层及其对应的判别器模型的输入层,其他层上都使用了批量归一化(batchnormalization,加入batchnormalization层这一操作解决了初始化差的问题,同时保住梯度传播到每一层,防止生成器把所有的样本都收敛到同一个点;
(c):去除全连接层,直接使用卷积层连接生成器和判别器的输入层和输出层;取消全连接层增加了模型的稳定性,使得收敛速度变慢;
(d):生成器的输出层使用tanh(双切正切函数)激活函数,其余层使用relu(rectifiedlinearunit);判别器的所有层使用leakyrelu(leakyrectifiedlinearunit).
进一步,所述条件生成对抗网络(cgan)为在gan的基础上加上条件扩展为条件模型,生成器和判别器均适用于某些额外的条件c,通过将c附加到输入层中输入到生成器和判别器中进行调节,指导数据生成过程。
本发明的有益效果是:本发明公开的一种基于r-cnn的毫米波图像目标检测与识别方法,利用该方法提取特征用于图像识别,条件深度卷积对抗网络不仅可以在条件的限制下生成预期的样本,而且利用卷积层提取特征的能力较为高,不但加快了收敛速度,减少了迭代次数,同时有效提高了图像分类识别率,证明本文所提的条件深度卷积生成对抗网络在图像识别领域中的可行性。
具体实施方式
本实施例中的基于r-cnn的毫米波图像目标检测与识别方法;包括下列步骤;
s1:有条件的深度卷积生成对抗网络(c-dcgan)模型;
s2:将条件加入深度卷积生成对抗网络中的生成器,利用卷积网络提取特征的能力加上条件辅以训练;
s3:将训练好的c-dcgan中的判别器部分抽取出来,添加softinax后形成用于图像识别的新网络结构。
所述深度卷积生成对抗网络的步骤为:
(a):在判别器模型中使用带步幅(stridedconvo-lutions)的卷积代替池化层(pooling);在生成器模型中使用fourfractionally-stridedconvolution完成从随机噪声到图片的生成过程。
(b):在网络结构中,除了生成器模型的输出层及其对应的判别器模型的输入层,其他层上都使用了批量归一化(batchnormalization,加入batchnormalization层这一操作解决了初始化差的问题,同时保住梯度传播到每一层,防止生成器把所有的样本都收敛到同一个点;
(c):去除全连接层,直接使用卷积层连接生成器和判别器的输入层和输出层;取消全连接层增加了模型的稳定性,使得收敛速度变慢;
(d):生成器的输出层使用tanh(双切正切函数)激活函数,其余层使用relu(rectifiedlinearunit);判别器的所有层使用leakyrelu(leakyrectifiedlinearunit)。
条件生成对抗网络(cgan)为在gan的基础上加上条件扩展为条件模型,生成器和判别器均适用于某些额外的条件c,通过将c附加到输入层中输入到生成器和判别器中进行调节,指导数据生成过程。
结合条件生成对抗网络与深度卷积生成对抗网络提出条件深度卷积对抗网络(c-dcgan),利用该模型的判别器提取特征用于图像识别,条件深度卷积对抗网络不仅可以在条件的限制下生成预期的样本,而且利用卷积层提取特征的能力较为高效地生成高质量样本.将条件深度卷积生成对抗网络用于图像分类,在mnist和cifar-10数据集上进行仿真实验,结果表明,相比于其他方法,本文所提方法不但加快了收敛速度,减少了迭代次数,同时有效提高了图像分类识别率,证明本文所提的条件深度卷积生成对抗网络在图像识别领域中的可行性。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。