基于并行卷积神经网络的军事目标图像分类技术
张春雷
（中国人民解放军91851部队辽宁葫芦岛125000）
摘要： 针对军事战场背景下不同军事目标相似度较高，使得复杂环境中目标识别率较低，且军事目标与作战环境相似度也比较高，因此对作战环境中的军事目标图像分类技术进行研究是有必要的，本文利用卷积神经网络在静态图像上稳健的特征提取能力，提出一种基于卷积神经网络的并行网络模型，用于军事目标图像分类，该方法利用两种边缘检测算子分别提取目标图像特征，之后输入卷积神经网络中进行深度特征提取，与传统卷积神经网络相比，分类识别率提高了1.2%，达到了97%。理论分析与实验数据说明，通过该模型能够对军事目标图像数据进行有效区分，对准确提供军事作战信息有重要意义。
关键词： 边缘检测；并行卷积神经网络；特征融合；图像分类
人工智能是影响未来军事变革的重要因素，随着各国军事技术的发展和军事装备的改进，军事目标间的相似度逐渐提升，军事目标与作战环境背景相似度也随之提升，使得在军事领域中，如何从大规模数据集以及复杂作战环境中准确识别作战目标，成为研究的主要趋势，近年来图像处理、模式识别以及计算机视觉等技术不断发展，使得基于图像的军事目标识别技术得到了越来越多的关注和研究[1-2]。
传统的识别分类方法多以人工设计特征描述算子结合分类器进行目标识别，这类方法在初期得到了广泛应用，但其缺陷是识别结果依赖于人工设计的特征描述子，且图像复杂度日益提升，传统识别分类方法很难全面提取图像平移、旋转等高级图像特征[3-4]，Hinton等人[5]提出的深度学习能有效避免传统图像分类方法依赖于人工特征描述子的问题，且能够分层学习图像特征，自动提取深度高维特征，其权值共享、稀疏连接的特点能有效减少所需要训练的权重参数，使得卷积神经网络能够快速对高维图像进行特征提取，因此在图像识别和计算机视觉等众多领域中取得了较好的结果[6-10]。
由于不同军事目标之间，军事目标与作战背景环境之间相似度都比较高，因此，对军事图像识别之前进行目标边缘检测可以提升后续特征提取的有效性。Soble算子对噪声有很好的抑制作用，而Marr-Hildreth算子能够检测出图像较细的边缘部分，且其定位精度高，边缘连续性好，能提取对比度较弱的边缘点。综上所述，本文利用Marr-Hildreth和Sobel边缘检测算子分别提取目标图像特征，之后输入卷积神经网络中进行深度特征提取，通过对提取特征进行融合，增强特征鲁棒性，进而对军事图像目标进行识别分类。理论分析与数据验证说明，通过该模型能够对军事目标图像数据进行有效区分，对准确提供军事作战信息有重要意义。
目前我国地铁供电系统的谐波无功治理主要采用在车站降压变电所0.4kV侧设置固定式无功补偿装置，即无源滤波器。无源滤波器通过对电感、电阻和电容的组合设计构成LC滤波电路，可以滤除系统中特定的高次谐波，同时它在与无功负载并联使用的过程中还起到无功补偿的作用。[3]
1 相关理论
1.1 边缘检测算子
边缘检测算子可以对图像有增强对比度作用，且能一定程度上抑制图像噪声，在特定的图像内容中合理的利用边缘检测算子，有利于进行后续的图像识别、特征提取等图像处理过程，得到更有效的代表特征，Sobel算子是一种一阶微分算子，对噪声有很好的抑制作用，如式（1）所示：定义f (x ,y )为初始输入图像，fs (x ,y )Sobel处理后的边缘轮廓图像。
③训练分类器：结合Sobel算子和Marr算子的优点，将特征提取结果进行标准化融合，送入至Softmax分类器中；
对平滑后的图像g 做拉普拉斯变换，然后用拉普拉斯算子进行运算，根据二阶导数算子过零点的性质来确定边缘的位置。如式（4）、式（5）所示:
构建校企合作师资培训平台的设计目标就是通过对骨干教师或专业带头人开展教科研能力的培养，使其成为具备创新科研能力的专家型学术带头人，掌握科学的研究方法，提高其发现、分析和解决课题研究中实际问题的能力，使教师的潜能得到充分发挥，促进教师教科研整体素质的提高，从而推动职业教育教科研工作的全面发展。
1.2 卷积神经网络
卷积神经网络是一种处理二维输入数据的前馈神经网络[11-15]，网络中相邻两层的神经元之间进行连接，但是同一层中的特征平面的神经元没有连接关系[5]。与传统神经网络一样，也使用反向传播算法进行权重和偏置的训练。网络结构中的卷积和池化操作，用以简化模型复杂度，并且能利用权值共享和稀疏连接优势，减少模型训练参数个数，降低计算量。通常深层的网络能提取更全面的高维特征，有较高的特征提取能力。图1是简单的卷积神经网络框架，隐藏层主要目的为特征提取。
图1 简单的卷积神经网络框架
1.2.1 卷积层
①按式（1），进行Sobel算子边缘检测图像，式（2）、式（5）进行Marr-Hildreth算子边缘检测图像，因为Soble算子对噪声有很好的抑制作用，而Marr-Hildreth算子能够检测出图像较细的边缘部分，且其定位精度高，边缘连续性好，能提取对比度较弱的边缘点，分别对输入图像进行检测。结果如图6所示。
图2 卷积操作示意图
基于卷积神经网络的图像识别分类主要是通过其形状特征、颜色特征、以及空间关系特征等进行识别分类。由于不同军事目标之间，军事目标与作战背景环境之间相似度都比较高，且这种相似度基本体现在色彩特征上，因此本文首先对输入图像进行归一化尺寸处理（227*227），以适应卷积神经网络的输入数据格式，之后利用Sobel算子和Marr-Hildreth算子的优点，提取军事图像的边缘轮廓图像，进而将轮廓图像并行输入至卷积神经网络中，主要进行形状、空间关系等特征的提取，摒弃相似度较高的颜色特征，去除图像上的局部极小值、噪声、边界无关信息，进而降低特征提取计算量，之后对特征向量进行双通道特征信息的融合，并对融合特征图进行标准化处理，之后输入至分类器层进行缺陷图像分类，得到所属类别结果。主体框架如图4所示。
论文所用卷积神经网络模型如图5所示，利用该模型对军事目标图像进行特征提取，并融合，之后再送入softmax分类器进行军事目标图像分类，进而利用该模型对军事目标图像数据进行有效区分，准确提供军事作战信息。技术路线步骤总结如下：
图3 池化示意图
1.2.3 分类层
深层的网络能提取更全面的高维特征，有较高的特征提取能力[17]。对应于网络分类层：采用Softmax分类器[16-17]，即hl +1=wl +1*hl +bl +1计算出特征向量后，对应概率输出概率计算公式
用最后的全连接层，计算出待分类图片对应各类别的概率，对应于各个分类的概率数值为y =[y 1,y 2,...,yn ]T ，其中yi 是第j 个神经元的输出概率。
2 本文框架
1.2.2 池化层
打底时要注意焊条的角度，6点位置焊条应稍向后倾斜与试件呈80°夹角向根部送进上顶，以拖住熔池减轻熔池下坠倾向。打底层焊接熄弧再起弧处的接头要打磨光滑，并修磨出能够保证接头穿透的斜面（见图5）。
图4 本文算法模型框架
图5 卷积神经网络模型
池化层为下采样特征映射层，池化操作用来降低特征图（feature map）的分辨率，同时也能减少网络参数，防止过拟合，通过聚合统计图像中不同位置的特征信息，得到特征表达图，作为下一层的输入，实现深度复杂特征的提取。第l +1层的特征图可表示如下：
。同样的
为l +1层的输出特征映射。其中重叠池化用以提高特征统计代表性，不易产生过拟合。图3为最大池化操作[15-16]。
①本装置取用轮对方便，坚固可靠，能大量节约轮对存放场地空间。本装置在现有车间厂房内安装，与生产场所相邻，取用方便；移动轮对所用气缸的气源与车间既有压缩空气管路相连接，不必另行安装空压机房。
②分别将检测结果送入图5所示的卷积神经网络（（conv1-pool1）-（conv2-pool2）-conv3-conv4-conv5-softnax）中，conv代表卷积层，pool代表池化层，之后进行军用飞机图像的特征提取，其中conv1和conv2结果如图7所示。从图7中可以看出，通过两次卷积层之后，军用飞机的特征已经被细化，且比较明显。
2）利用训练集训练卷积神经网络模型和分类器：
设卷积层为第l 层，令Nl 表示这一层的特征映射的数量，其中l 被用作上标。相应地，每个特征映射被表示为
，该卷积层被参数化为两个数组(l -1)层中的第j 个特征映射
，每个卷积核（kernel）充当特征检测器，通过卷积操作提取图像的特征信息，并通过反向传播算法训练网络中卷积核内部的权重和偏置，卷积核初始权重随机生成，设置偏置b 初始值为0，卷积核大小确定了卷积区域的大小，权值大小代表贡献能力，权值越大贡献越大，反之越小。对于输入特征图的每个位置，为了获得
，首先将每个输入特征图
与相应的滤波器
进行卷积。将结果相加并且附加偏差
，之后通过ReLu非线性激活函数φ (·)。第l 层的特征图可表示如下：
j =1,2,...,Nl 。图2所示为卷积操作。
图6 边缘检测结果
1）输入图像并归一化尺寸；
图7 部分特征图结果
边缘检测算子可以对图像有增强对比度作用，且能一定程度上抑制图像噪声，在特定的图像内容中合理的利用边缘检测算子，有利于进行后续的图像Marr-Hildreth算子的边缘检测方法对噪声也有一定的抑制能力，而同时又具备边缘保持特性，Marr-Hildreth算子首先用高斯函数G (x ,y )对图像进行平滑，(x ,y )为图像像素位置，σ 为高斯分布的均方差，可以用来控制其平滑范围，如式（2）、式（3）所示。
3）测试：按照步骤2）的①～③，利用测试集在训练好的模型上测试军事目标图像所属分类；
尤其值得注意的是借款人与P2P网贷平台的共同犯罪。笔者认为，P2P网贷平台与借款人在一定条件下存在共同故意，符合集资诈骗罪或者洗钱罪的相关构成要件。行为人的主观方面是判定共同犯罪的重要前提，P2P网贷公司对借款人的相关资历凭证不履行审查义务，并且明知借款人有不法行为存在，而放任这种行为，导致共同犯罪的发生。如果P2P网贷平台并不明知借款人在进行非法行为，只是没有按照规定履行相关审查义务，在这种情况下，二者之间不能形成共同犯罪。
4）输出结果：为了验证本文并行卷积神经网络的有效性，在实验与分析中与传统卷积神经网络进行实验数据对比。
软件技术：在机械电气一体化系统中，软件占据着十分重要的地位。只有加强硬件、软件的相互配合，使得两者之间协调以至，才能充分发挥其作用[1]。
3 实验对比与分析
实验研究主要通过对军事目标图像分类实验，来验证本文算法的可行性。实验选择共800张军事目标图像，各类200张，其中训练集100张，测试集700张。通过对比军事目标图像预测类别标签与实际类别标签，对实验结果进行评价，实验在Intel（R）i7-6700，3.4 GHz CPU，8 G内存的硬件环境，Matlab2017b的软件环境下运行。本文主要选取军用汽车、坦克、飞机、火炮4类军事目标图像进行特征提取及分类。图8是部分军事目标图像展示。
（三）注重引进国际的理念、管理、技术和机制等软实力因素，强化重庆市现代农业经营主体的提升。推动重庆市现代农业法人经营主体参与广泛的国际化合作，对接国际先进的农业开发和乡村文旅龙头企业，借鉴其在产业规划、品牌资源和运营管理等方面的经验，同时以企业引进带动专业人才引进，促进重庆市现代农业运营管理品质提升。
图8 部分军事目标图像展示
为了进一步说明本文算法的可行性，在实验中利用混淆矩阵对正确分类的图像个数来进行表征，其中混淆矩阵第i 行第j 列的值代表第i 类军事目标图像被分为第j 类图像的个数，混淆矩阵对角线上的值代表对应军事目标图像正确分类的个数，本文的800张测试图像，方法1给出了传统CNN的实验分类结果，方法2给出了本文的实验分类结果，图9为类别个数结果，表1为对比测试结果，使用此网络，对军事目标图像进行特征提取及分类。
图9 类别个数结果
实验结果如表1，由于不同军事目标之间，军事目标与作战背景环境相似度都比较高，导致军用汽车错误识别为坦克，火炮错误识别为坦克。传统CNN中对军事目标图像的识别正确率达到了95.8%，本文的并行卷积神经网络将正确识别率提升到了97%，通过实验对比，验证了本文算法的可行性和高精度性。
表1 实验结果对比
4 结论
文中提出一种基于并行卷积神经网络的军事目标图像识别算法，对军事目标图像进行特征提取并分类。利用Marr-Hildreth和Sobel边缘检测算子分别提取目标图像特征，分别输入至卷积神经网络中进行深度特征提取并融合，进而对军事图像目标进行识别分类。理论分析与数据验证说明，通过该模型能够对军事目标图像数据进行有效区分，对准确提供军事作战信息有重要意义。
参考文献：
[1]张庆辉，万晨霞.卷积神经网络综述[J].中原工学院学报，2017，28（3）:82-86.
[2]张雯，王文伟.基于局部二值模式和深度学习的人脸识别[J].计算机应用，2015，35（5）:1474-1478.
[3]段艳杰，吕宜生，张杰，等.深度学习在控制领域的研究现状与展望[J].自动化学报，2016，42（5）:643-654.
[4]李彦冬，郝宗波，雷航.卷积神经网络研究综述[J].计算机应用，2016，36（9）:2508-2515.
[5]Lecun Y，Bengio Y，Hinton G.Deep learning[J].Nature，2015，521（7553）:436-444.
[6]熊平，胡彩霞，周欣星.CNN与人工特征提取快速识别斑马线的方法[J].电子设计工程，2018，26（3）:189-193.
[7]陈硕.深度学习神经网络在语音识别中的应用研究[D].广州:华南理工大学，2013.
[8]李卫.深度学习在图像识别中的研究及应用[D].武汉:武汉理工大学，2014..
[9]杨钊，陶大鹏，张树业，等.大数据下的基于深度神经网的相似汉字识别[J].通信学报，2014，35（9）:184-189.
[10]徐科，王磊，王璟瑜.基于Tetrolet变换的热轧钢板表面缺陷识别方法[J].机械工程学报，2016，52（4）:13-19.
[11]Romero A，Gatta C，Camps-Valls G.Unsupervised deep feature extraction for remote sensing image classification[J].IEEE Transactions on Geoscience and Remote Sensing，2016，54（3）:1349-1362.
[12]Cha Y-J，Choi W，BüyüköztürkO.Deep learningbased crack damage detection using convolutional neural networks[J].IEEE Transactions on Geoscience and Remote Sensing，2017（32）:361-378.
[13]Long J，Shelhamer E，Darrell T.Fully convolutional networks for semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition，2015:3431-3440.
[14]Zhao W，Du S.Spectral－spatial feature extraction for hyperspectral image classification:a dimension reduction and deep learning approach[J].IEEE Transactions on Geoscience and Remote Sensing，2016，54（8）:4544-4554.
[15]Shi Z，Ye Y，Wu Y.Rank-based pooling for deep convolutional neural networks[J].Neural Networks，2016，83:21-31.
[16]Socher R，Huval B，Bath B，et al.Convolutionalrecursive deep learning for 3d object classification[C]//Advances in neural information processing systems，2012:656-664.
[17]Hinton G E，Salakhutdinov R R.Replicated softmax:an undirected topic model[C]//Advances in neural information processing systems，2009:1607-1614.
Military target image classification technology based on parallel convolutional neural network
ZHANG Chun-lei
（91851 PLA Troops ，Huludao 125000，China ）
Abstract: In view of the high similarity of different military targets in the background of military battlefield，the target recognition rate in complex environment is low，and the similarity between military targets and combat environment is also high，so it is necessary to study the image classification technology of military targets in combat environment.In this paper，a parallel network model based on convolution neural network is proposed for military target image classification，by using the strong feature extraction capability of convolution neural network in static images.This method uses two kinds of edge detection operators to extract the target image features respectively，and then inputs them into the convolution neural network for depth-feature extraction.The classification recognition rate increased by 1.2%to 97%compared with the traditional convolutional neural network，Theoretical analysis and data verification show that the model can effectively distinguish military target image data and is of great significance to accurately provide military operational information.
Key words: edge detection；parallel convolutional neural network；feature fusion；image classification
中图分类号： TP391.9N
文献标识码： A
文章编号： 1674-6236（2019）08-0076-05
收稿日期： 2018-09-17稿件编号： 201809065
作者简介： 张春雷（1980—），男，吉林梨树人，工程师。研究方向：测控技术与仪器，目标特性研究。
标签：边缘检测论文; 并行卷积神经网络论文; 特征融合论文; 图像分类论文; 中国人民解放军91851部队论文;