[发明专利]一种基于胶囊网络的空间目标识别算法

说明书

本发明公开了一种基于胶囊网络的空间目标识别算法，涉及空间目标识别技术领域，提出一种基于迪利克雷过程混合模型的胶囊网络，本发明以神经网络的胶囊网络为基础，加入迪利克雷过程混合模型，对胶囊网络进行改进，通过这种方法可以实现对空间目标的识别，可提高模型对目标观察视角的泛化能力、抗攻击特性，有效提升了空间目标识别的准确率。

技术领域

本发明属于人工智能领域，具体涉及一种基于胶囊网络的空间目标识别算法。

背景技术

随着航天技术的发展以及世界各国对太空资源的开发，太空中飞行器的数目急剧增加,因此对空间中的非合作目标进行观测识别甚至提供回收、碎片清理等在轨服务有着重要的意义。当前，针对空间目标的观测识别系统主要由地基、天基两部分组成。天基观测系统在观测时比地基观测平台在受到的干扰更小，且光学探测具有运行成本低、体积小的特点。因此，使用搭载于微小卫星上的光电系统对空间目标进行观测更具优势。光学探测获得的可见光图像中包含了空间目标的颜色、纹理、形状以及空间关系等特征，利用这些特征对空间目标进行分类识别，可为进一步的空间任务提供支撑。

为了减少空间目标识别过程中特征提取部分的运算量，Cao等人尝试将流形相关理论、压缩感知理论、小波变换结合奇异值分解融入识别过程；Zhu等人利用二值化图像结合K最近邻算法、支持向量机来减小计算量。但是，这些方法都无法获取图像深层语义的特征，识别效果有待提升。随着深度学习的普及，Yang等人提出了一种结合空间目标部件特征的识别网络。该模型将输入图片中提取出的特征与Mask R-CNN分割后的部件特征融合后输入ResNet网络对空间目标进行分类。该方法能够较为准确的提取出所需目标的特征，但是，由于深度学习的效果大多依赖于数据集的制作，导致模型的准确率和泛化性无法确定。此外，考虑到实际应用中传统神经网络容易受到攻击，即对于一个已经完成训练的深度神经网络，仅需按照特定的方法对测试图片进行微小的改动，就会导致模型的预测准确率大幅降低，从而在空间和其他安全性要求很高的应用场景无法使用该方法，所以有必要采取一定的对抗手段来加强方法的可靠性。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种基于胶囊网络的空间目标识别算法。

为了实现上述技术目的，本发明的技术方案为：

一种基于胶囊网络的空间目标识别算法，包括以下步骤：

S1、建立卫星仿真模型，获取空间目标的图像数据；

S2、对步骤S1获取的空间目标的图像数据进行预处理并制作成数据集；

S3、搭建胶囊网络并将步骤S2构建的数据集输入到胶囊网络当中提取目标特征；

S4、建立初始化权值矩阵以及激活矩阵；并和S3中得到的特征进行卷积运算，输出分别记作姿态矩阵、激活值；将姿态矩阵与激活值组合为一个胶囊；

S5、初始化新的权值矩阵，将步骤S4中得到的姿态矩阵与权值矩阵相乘，构建迪利克雷过程混合模型；

S6、对最后的胶囊层中的激活值进行归一化，归一化后的激活值即为各类别对应概率值获得空间目标的识别结果。

优选地，步骤S1中的空间目标图像通过Blender软件建模，仿照已公开卫星模型获得类似的仿真卫星图片，并建立图片数据库。

优选地，步骤S2中，图像需要提前通过标记软件对图片中的空间目标进行框选标记，(1)利用LabelME标记软件对图像进行标记，其中需要对图像中卫星部件用多边形进行框选和分类标记；标记结束后每一张图像会生成相应的.json格式的文件的标签，其中记录了所标记的种类和位置信息；