[发明专利]一种基于孪生网络的船舶身份智能识别方法及系统

权利要求书

1.一种基于孪生网络的船舶身份智能识别方法，其特征在于，包括以下步骤：

步骤1，采集包含船舶名称的船舶图片，根据所述船舶图片制作船舶名称数据集，并生成正样本集和负样本集；

步骤2，构建基于卷积神经网络的孪生网络，即输入所述正样本集和负样本集，训练生成与所述船舶名称匹配的孪生网络；

步骤3，在所述船舶名称数据集中随机选取训练样本和验证样本，将剩余样本作为测试样本；将训练样本集中的船舶图片随机打散后，依次输入至所述孪生网络中，训练得到神经网络的权重参数；

步骤4，从船舶信息登记数据库中提取每一艘船舶的图片，获取所述每一艘船舶的船名图片，标注每张所述船名图片对应的船舶信息，生成船舶身份识别数据集；

步骤5，将所述船舶身份识别数据集中每艘船舶的船名图片通过所述孪生网络的单一深度神经网络得到每艘船舶的特征向量，将所述特征向量与船舶身份识别数据集中对应的船舶一一对应；

步骤6，采集待识别船舶的船舶图片并提取待识别船舶的船名图片，通过所述孪生网络确认待检测船舶的目标船舶，并根据所述待检测船舶与目标船舶的欧氏距离，输出所述待识别船舶的船舶识别结果。

2.根据权利要求1所述的一种基于孪生网络的船舶身份智能识别方法，其特征在于，所述步骤1包括：

步骤1-1，选取N艘船舷涂有清晰船舶名称的船舶，获取每艘所述船舶在不同视角下的船舶名称，形成M张船舶图片，其中，N为大于或等于100的正整数，M为大于或等于10的正整数；

根据每张所述船舶图片截取获得包含船名的船名图片，形成船名图片数据集N*M；

步骤1-2，从所述船名图片数据集中选出正样本集，所述正样本集中的正样本即两张同一船舶的船名图片组成的一组样本；根据所述船舶名称数据集中的N艘船舶，每艘所述船舶对应M张船舶图片，即所述正样本集中正样本的数量为

步骤1-3，选出与所述正样本集的数量相同的负样本集，所述负样本集中的负样本即两张不同船舶的船名图片组成的一组样本，即所述正样本集和负样本集均衡。

3.根据权利要求1所述的一种基于孪生网络的船舶身份智能识别方法，其特征在于，所述步骤2包括：

步骤2-1，构建所述孪生网络的前端，所述孪生网络的前端由两个相同的特征提取的单一深度神经网络构成；

所述单一深度神经网络由一个图片缩放器、四个卷积层和三个全连接层构成，每个所述卷积层包含一个卷积函数、一个激活函数和一个池化函数；

所述图片缩放器用于将输入的图片缩放到统一的处理尺寸，所述图片缩放器采用OpenCV中的区域插值方法；所述统一的处理尺寸为200*200的像素尺寸；

所述激活函数用于引入非线性因素，使得所述单一深度神经网络可以任意逼近任何非线性函数；

所有所述卷积层都使用的sigmoid激活函数，即其中，Z为输入向量，f(z)为输出向量；

所述池化函数用于降低卷积后输出的维度；所有所述卷积层中的池化函数采用最大值池化；

所述四个卷积层包括第一层卷积层、第二层卷积层、第三层卷积层和第四层卷积层；

所述第一层卷积层的输入为200*200的矩阵，每个元素坐标对应RGB三个维度，输出为100*100的矩阵，每个元素坐标对应RGB三个维度；所述第一层卷积层含32个3*3的卷积核；

所述第二层卷积层的输入为100*100的矩阵，输出为50*50的矩阵，所述第二层卷积层含64个3*3的卷积核；

所述第三层卷积层的输入为50*50的矩阵，输出为25*25的矩阵，所述第三层卷积层含128个3*3的卷积核；

所述第四层卷积层的输入为25*25的矩阵，输出为13*13的矩阵，所述第四层卷积层含256个3*3的卷积核；

所述全连接层用于增加网络深度同时降低网络的维度，所述全连接层包括第一个全连接层、第二个全连接层和第三个全连接层；

所述第一个全连接层输入为13*13*256的矩阵，输出为1024维向量；所述第二个全连接层输出为512维向量；所述第三个全连接层输出为128维向量；

步骤2-2，构建所述孪生网络的后端，所述孪生网络的后端由相似度匹配器构成；

令两个所述单一深度神经网络的卷积层和全连接层对应位置的权重参数相同，使得训练生成的两个单一深度神经网络模型共享权重参数，所述两个单一深度神经网络包括第一深度神经网络和第二深度神经网络；

根据以下公式，通过所述后端的相似度匹配器计算两个单一神经网络输出向量之间的欧式距离：

其中，d₁₂为第一深度神经网络输出向量与第二深度神经网络输出向量之间的欧氏距离，n为128，X_1k为第一深度神经网络输出的128维向量，X_2k为第二深度神经网络输出的128维向量。