[发明专利]一种基于深度学习模板匹配的长航迹实时识别方法

说明书

本发明公开了一种基于深度学习模板匹配的长航迹实时识别方法，其过程为：将采集数据的数据从全局角度标注制作数据集；采用动态滑动窗口的方式，将数据映射为航迹图像；构建基于深度学习的模板匹配模型；将航迹映射为固定长度的嵌入向量；对训练集的嵌入向量聚类得到类模板；再利用网络得到测试集嵌入向量，与类模板进行相似度比较判定航迹类型。本发明采用动态滑窗方法将航迹映射到图像上，解决了长航迹实时识别中航迹起始点位置的问题；采用了基于深度学习的模板匹配模型，将映射为嵌入向量，与航迹类模板进行匹配，避免了窗口航迹不完整或长航迹中出现未知类别的情况，相较于以往方法更具鲁棒性，能实时判断长航迹中存在的航迹类别及位置。

技术领域

本发明涉及计算机视觉和模式识别领域，尤其是一种基于深度学习模板匹配的长航迹实时识别方法。

背景技术

随着人工智能技术的发展，使用深度学习处理图像问题取得了极大的进展，在不同场合应用广泛。通过传感器数据对目标航迹进行判断对军事或是公共安全领域有着重要的作用。传统上通过人工判断目标航迹，在长航时实时任务上，人工只能同时处理单一目标航迹数据，随着目标航迹数量和时间的增加，人工很难对所有数据实时监控并及时决策。

现有的航迹方法中，使用传统算法不能有效解决航迹中扰动和噪音的问题；而现有神经网络对航迹信息进行判断，使用的均是人工处理后的数据或图像进行训练，网络不能自主对航迹起始点进行判断，无法解决包含多种航迹的长航迹问题，仅能对人工筛选后的单一航迹图像进行识别。并且已有的深度学习方法在应对未知航迹类别上不具有鲁棒性，在出现未知类别时会将未知类别识别为已知类，这就要求训练集必须包含所有类别，然而在实际的长航迹中，可能包含其他复杂行为，除了训练集中的已知类，对未知类的判定也是非常重要的。

孪生神经网络技术，孪生神经网络是一种匹配网络，训练时采用1组样本，包含同类样本和异类样本，能够通过卷积滤波器自动学习不同样本的嵌入向量，模型能够增强同类样本的向量相似性，减弱不同样本间的相似性。最终通过嵌入向量提取模块得到样本向量，通过比较样本间相似性可以实现对目标的判别。

综上所述，本发明同时解决了实时长航迹中多类型航迹难以判别的问题以及现有航迹识别方法不能对未知类划分的问题。

发明内容

本发明针对实时长航迹中包含多类型航迹难以判别以及现有航迹识别方法不能对未知类划分的问题，提供了一种基于深度学习模板匹配的长航迹实时识别方法。

为实现上述目的，本发明提供如下技术方案：

一种基于深度学习模板匹配的长航迹实时识别方法，具体包括以下步骤：

步骤S1：实时接收长航迹实时数据进行处理，得到实时航迹映射图像；

步骤S2：选取长实时航迹中有效类别进行标记，使用有效类别和未知类别对孪生神经网络训练，得到训练后的网络；

步骤S3：将训练集中有效类别输入到训练后的嵌入向量提取模块，得到训练集的嵌入向量；

步骤S4：对训练集的嵌入向量使用聚类算法，找到类模板；

步骤S5：将实时测试数据映射为图像输入到训练后网络，得到嵌入向量；

步骤S6：使用相似度度量函数计算测试数据的嵌入向量后，计算嵌入向量和类模板相似度，并根据相似度判断航迹类别；

优选的，所述步骤S1中的数据是实时接收并判断的，一段长航迹中可能包含多种类别的航迹，并且也包含未定义的未知类别航迹。

优选的，所述步骤S1中实时航迹映射图像的方法使用滑动窗口的方式，在映射过程中修正因数据点的数量和方向不同带来的线条粗细变化和尺度变化。

优选的，所述步骤S1中滑动窗口的尺度选择，根据目标类型进行选择，一般包括船，飞机，潜艇等军事目标。