[发明专利]一种基于多波段的低慢小目标识别方法及系统

权利要求书

1.一种基于多波段图像识别模型的多波段图像识别方法，其特征在于，包括多波段图像识别模型获取步骤和多波段图像识别步骤；

其中，所述多波段图像识别模型获取步骤具体包括以下步骤：

样本图像集组成步骤：

各个低慢小目标的同一种图像类型的多波段图像组成一个样本图像集，共得到七个样本图像集；所述多波段图像通过光电探测设备获取；

每个低慢小目标的多波段图像包括七种图像类型：白天无云条件下获取到的可见光、短波红外、中波红外和长波红外图像，白天有云条件下获取到的长波红外图像，以及夜间条件下获取到的中波红外、长波红外图像；

多波段图像识别模型获取步骤：

将七个训练集依次输入目标检测网络进行识别训练，对应得到七个多波段图像识别模型；所述多波段图像识别模型的输入为低慢小目标的多波段图像，其图像类型与对应的训练集中图像的图像类型一致；输出为识别率；

所述训练集为对所述样本图像集中每个图像中的低慢小目标进行标记后得到的图像集合；

所述目标检测网络是对Yolov3目标检测网络去除用于大型目标检测的特征图，且通过k均值聚类算法确定先验框而构成；

所述多波段图像识别步骤具体包括以下步骤：

图像集组成步骤：

单个低慢小目标的七种类型的图像分别组成七个图像集；所述图像通过光电探测设备获取；

多波段图像识别步骤：

（a）白天无云条件下：

将该条件下的可见光、短波红外、中波红外和长波红外图像的四个图像集依次输入对应的所述多波段图像识别模型，对应得到四个识别率：Pw、Pe、Pr、和Pq；然后按以下公式获得所述单个低慢小目标在白天无云条件下的识别率Pi：

Pi = w×Pw + e×Pe + r×Pr + q×Pq；

其中，w、e、r、q对应表示Pw、Pe、Pr、和Pq的加权系数，且

w + e + r + q = 1；

（b）白天有云条件下：

将该条件下的一个图像集输入对应的多波段图像识别模型，得到所述单个低慢小目标在该条件下的识别率Pa；

（c）夜间条件下：

将该条件下的中波红外、长波红外图像的两个图像集分别输入对应的多波段图像识别模型，对应得到两个识别率：Pz和Py；然后按以下公式获得所述单个低慢小目标在夜间条件下的识别率Px：

Px = z×Pz+y×Py；

其中，z、y对应表示Pz和Py的加权系数，且z + y = 1。

2.一种基于多波段图像识别模型的多波段图像识别系统，其特征在于，包括多波段图像识别模型获取子系统和多波段图像识别子系统；

其中，所述多波段图像识别模型获取子系统具体包括以下模块：

样本图像集组成模块：

用于将各个低慢小目标的同一种图像类型的多波段图像组成一个样本图像集，共得到七个样本图像集；所述多波段图像通过光电探测设备获取；

每个低慢小目标的多波段图像包括七种图像类型：白天无云条件下获取到的可见光、短波红外、中波红外和长波红外图像，白天有云条件下获取到的长波红外图像，以及夜间条件下获取到的中波红外、长波红外图像；

多波段图像识别模型获取模块：

用于将七个训练集依次输入目标检测网络进行识别训练，对应得到七个多波段图像识别模型；所述多波段图像识别模型的输入为低慢小目标的多波段图像，其图像类型与对应的训练集中图像的图像类型一致；输出为识别率；

所述训练集为对所述样本图像集中每个图像中的低慢小目标进行标记后得到的图像集合；

所述目标检测网络是对Yolov3目标检测网络去除用于大型目标检测的特征图，且通过k均值聚类算法确定先验框而构成；

所述多波段图像识别子系统具体包括以下模块：

图像集组成模块：

用于将单个低慢小目标的七种类型的图像分别组成七个图像集；所述图像通过光电探测设备获取；

多波段图像识别模块：

（a）白天无云条件下：

将该条件下的可见光、短波红外、中波红外和长波红外图像的四个图像集依次输入对应的所述多波段图像识别模型，对应得到四个识别率:

Pw、Pe、Pr、和Pq；然后按以下公式获得所述单个低慢小目标在白天无云条件下的识别率Pi：

Pi = w×Pw + e×Pe + r×Pr + q×Pq；

其中，w、e、r、q对应表示Pw、Pe、Pr、和Pq的加权系数，且

w + e + r + q = 1；

（b）白天有云条件下：

将该条件下的一个图像集输入对应的多波段图像识别模型，得到所述单个低慢小目标在该条件下的识别率Pa；

（c）夜间条件下：

将该条件下的中波红外、长波红外图像的两个图像集分别输入对应的多波段图像识别模型，对应得到两个识别率：Pz和Py；然后按以下公式获得所述单个低慢小目标在夜间条件下的识别率Px：

Px = z×Pz+y×Py；

其中，z、y对应表示Pz和Py的加权系数，且z + y = 1。