[发明专利]基于深度学习的空间目标识别方法

说明书

技术领域

本发明涉及一种空间目标识别方法，特别是涉及一种基于深度学习的空间目标识别方法。

背景技术

空间目标识别作为保障太空安全和航天探索的一项关键任务，旨在检测和追踪分布在近地空间的陨石和人造目标(包括空间站、空天飞行器、有效与无效人造卫星、运载火箭、燃料油箱及其碎块等)。近年来，这项任务被广泛研究，涌现了许多相关的解决方案。例如F.Wu在文献“Research on method of space target recognition in digital image,in:Image and Signal Processing(CISP),2012 5th International Congress on,2012,pp.1303-1306.”中采用基于目标轮廓计算尺度不变特征转换，并根据特征点匹配情况进行识别的方法。目前，各种相关方案和技术大多基于小波分解、奇异值分解(Singular Value Decomposition,SVD)提取特征，然后使用核主成分分析(Kernel Principal Component Analysis,KPCA)进行特征降维，最后用各种支持向量机(Support Vector Machine,SVM)或者K近邻(K-Nearest Neighbors,KNN)分类器进行目标识别。然而，这些方法都假设特征提取和特征分类是彼此独立的步骤，特征的好坏是整个系统性能的瓶颈。因此大量的工作都被投入到了寻找具有最好辨别能力的特征上面，而视觉特征和目标之间语义鸿沟的存在，使得这一工作难以取得很好的效果。

自从Hinton在ImageNet2012上取得巨大突破，深度学习，特别是深度卷积网络(Deep Convolutional Neural Network,DCNN)已经成为了最成功的图像分类技术。相比传统技术，DCNN提供了一个联合学习特征提取和分类的统一框架，从而避免了繁琐的手动特征提取和特征工程。然而，虽然提高了分类准确率，许多实际应用中的深度模型却不能得到Hinton那样好的分类效果，避免由训练数据不足产生的过拟合现象是解决这一问题的主要途径。

发明内容

为了克服现有空间目标识别方法实用性差的不足，本发明提供一种基于深度学习的空间目标识别方法。该方法首先构建一个9层深度卷积网络模型，随后在该网络基础上，找出最优的数据增广方法，并将几种较优的增广方法得到的数据进行组合，将最优的组合数据同时用在模型训练和测试的过程中，完成空间目标识别。深度学习模型自动地从数据中发现分布式的特征表示，得到更利于分类的特征，可以大幅度提高识别准确率。同时，针对空间目标数据集受其成像环境限制，是一个典型的小样本问题这一特点，利用数据增广生成虚拟数据，可以解决深度模型在小样本上容易过拟合的问题，实用性好。

本发明解决其技术问题所采用的技术方案是：一种基于深度学习的空间目标识别方法，其特点是包括以下步骤：

步骤一、根据数据集规模构建一个9层的深度卷积网络，其中包含3层卷积层、3层池化层以及3层全连接层。在每一个卷积层，输入图像与一个线性滤波器进行卷积，然后加上一个偏置项，通过一个非线性激活函数得到该层的特征映射图，表示为如下公式：

此时，M_j表示输入特征图个数，表示第l-th层中的一个卷积核，是第l-th层中第j-th个卷积核的偏置项，是第l-th层中生成的第j-th个特征图，f为激活函数。

每个卷积层后都紧接着一个池化层用以进行降采样，表示为：

此处，down(·)表示降采样操作，是第l-th层中生成的第j-th个特征图，和分别表示乘性偏置和加性偏置。

步骤二、在所构建的深度卷积网络上，分别测试用于数据增广的5种一阶变换方法及其叠加产生的26种多阶变换方法，寻找最优变换方法并用其生成原始数据8倍的训练数据和4倍的测试数据。

步骤三、从最有效的五种变换生成的8倍训练数据中任选三种进行组合，选出最佳的组合变换，产生原始训练数据24倍的增广数据，用于训练DCNN模型。

步骤四、在训练数据上进行实验得到的最佳变换组合方式同样运用到测试数据上，生成12倍的测试数据，计算每个生成测试样本S_t的分类得分为每类的概率，并用以下的Softmax函数统计得分，得出每个原始测试数据最后的分类结果。