(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210806445.3 (22)申请日 2022.07.08 (71)申请人 西安电子科技大 学广州研究院 地址 510555 广东省广州市黄埔区中新知 识城海丝中心B5、 B6、 B7栋 (72)发明人 王晓甜　王可心　赵至夫　梁硕　 张鑫钰　石钟熙　 (74)专利代理 机构 广州大象飞扬知识产权代理 有限公司 4 4745 专利代理师 刘子晏 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/60(2022.01) G06V 10/82(2022.01)G06V 20/54(2022.01) (54)发明名称 基于深度学习的复杂光照成像下的图像分 类方法 (57)摘要 本发明涉及计算机视觉和数字图像处理技 术领域， 具体的说是基于深度学习的复杂光照成 像下的图像分类方法， 包括收集模块和处理模 块； 本发明通过将源图像进行切分处理， 对分片 后的图像进行分类处理， 分类后将 输出该图像对 应类别的概率， 分类网络将输出更丰富的图像信 息， 通过将源 图像进行切分处理， 将分片后的图 片输入分类网络中， 得到每个小片图像对应的概 率， 将得到的结果组成结果矩阵， 并输入决策网 络中， 决策网络学习到了关于源图像不同位置的 概率信息， 有效避免了因局部过曝光造成的干 扰， 图片分片处理， 避免目标与背景之间相似部 分的干扰， 提高分类的准确率， 小片图片分类网 络输出四个类别的概率， 有效避免了不均匀的光 照对图片分类的影响。 权利要求书2页 说明书6页 附图2页 CN 115294387 A 2022.11.04 CN 115294387 A 1.基于深度学习的复杂光照成像下的图像分类方法， 包括收集模块和 处理模块， 其特 征在于： 所述收集模块包括如下步骤： S1、 利用光感原件对不同时段的所需物体 图像的照度， 并对所需物体 图像的不同照度 范围进行分类； S2、 对第一范围的图像， 通过基于深度卷积神经网络 的目标检测算法FAster  R‑CNN处 理； S3、 对第二范围的图像， 通过基于区域协方差引导的卷积神经网络算法处 理； S4、 基于筛选出来的所需物体， 获取当前视频帧中的全部所述物体的实时位置和类别 信息； S5、 使用AUC和MAE 评价检测结果， 所述处理模块与所述收集模块对应。 2.根据权利要求1所述的基于深度学习的复杂光照成像下的图像分类方法， 其特征在 于： 所述步骤S1具体包括： S11、 收集大量不同时间段的同一场景的图片， 统计分析各个时间段的照度范围， 制作 照度范围参 考对照表； S12、 通过光感原件探测摄像头传输的所需物体图像的照度， 对比所述照度范围参考对 照表， 判断图像的类别是第一范围的图像还是第二范围的图像。 3.根据权利要求2所述的基于深度学习的复杂光照成像下的图像分类方法， 其特征在 于： 所述步骤S2具体包括： S21、 计算待检测第一范围的第一卷积特 征图； S22、 对所述第一卷积特 征图进行处 理； S23、 对所述第一卷积特 征图提取 特征并分类。 4.根据权利要求3所述的基于深度学习的复杂光照成像下的图像分类方法， 其特征在 于： 所述步骤S3使用基于区域协方差引导的卷积神经网络算法处理第二范围的图像， 具体 包括： S31、 以像素为单 元提取第二范围图像的低级特 征； S32、 以多维特 征向量为基础构造区域协方差； S33、 以协方差矩阵为训练样本构造卷积神经网络模型； S34、 基于局部和全局对比度原则计算图像显著性； S35、 框出显著的船舶目标， 获取 船舶位置 。 5.根据权利要求1所述的基于深度学习的复杂光照成像下的图像分类方法， 其特征在 于： 所述处理模块包括源图像预 处理、 图像切片、 分类网络 分类、 决策网络决策和输出结果， 具体包括如下步骤： A、 源图像预处理： 源图像尺寸为2160*3840， 根据算法的需要先将感兴趣区域裁剪出 来， 得到216 0*1720的图片， 在将其resize成1080 *860的图片以备后续使用； B、 图像切片： 将1080 *860的图片切分成3 57(21*17)个5 0*50的小片图片； C、 分类网络分类， 并得到分类张量： 将小片图片输入分类网络中， 得到每张小片图片的 分类结果， 并将分类结果组成21*17的分类张量； D、 决策网络决策： 将21*17的分类张量输入决策网络中， 得到最终的决策 结果；权　利　要　求　书 1/2 页 2 CN 115294387 A 2E、 输出结果： 将决策 结果输出。 6.根据权利要求5所述的基于深度学习的复杂光照成像下的图像分类方法， 其特征在 于： 所述收集模块收集处 理过的图像作为所述处 理模块的源图像。 7.根据权利要求6所述的基于深度学习的复杂光照成像下的图像分类方法， 其特征在 于： 所述步骤C中进行分类网络训练数据时， 具体包括： C11、 每张图片大小为5 0*50， 标记四个值， 对应图片时对应 类别的概 率； C12、 分类网络损失函数使用KL散度损失， 其计算公式如下 所示： 对离散概率分布的KL散度计算公式： 8.根据权利要求7所述的基于深度学习的复杂光照成像下的图像分类方法， 其特征在 于： 所述步骤D中进行决策网络训练数据时， 具体包括： D11： 每张图片大小为1080 *860， 标签表示该图片是否有船； D12： 训练决策网络时， 先将数据切分成50*50的图片， 输入分类网络中， 得到21*17个1* 4的张量， 并将这些张量 拼接成21*17*4的张量， 作为决策网络的输入； D13： 将21*17*4的张量输入网络中进行训练， 使用交叉熵损失作为损失函数， 其计算公 式如下所示： 权　利　要　求　书 2/2 页 3 CN 115294387 A 3