résumé
L'utilisation intensive des véhicules aériens sans pilote, en même temps pour apporter confort, mais aussi conduit à des effets indésirables. Par exemple, les véhicules aériens sans pilote volant dans la zone d'interdiction aérienne soulèvent des questions de sécurité, en raison de l'utilisation abusive d'atteinte à la vie privée des citoyens, etc., il est nécessaire de construire un système de police de drones, pour surveiller la mise en uvre du drone, trottoir battant phénomène. méthodes d'identification traditionnelles, le manque de flexibilité, la précision est pas assez élevé. À cette fin, nous vous proposons un algorithme de reconnaissance de drone basé sur la profondeur de l'apprentissage, grâce à la formation d'une convolution basée sur le réseau de neurones (CNNs) réseau d'apprentissage, d'obtenir un modèle de reconnaissance efficace, de classer entre les drones et les non-UAV . Les résultats des tests montrent que le modèle, la méthode a un taux de reconnaissance élevé.
amélioration Narrow maison: fait référence à la décoration d'intérieur, l'aménagement paysager est du point de vue de sorte que l'espace intérieur plus beau;
amélioration de l'habitat Généralisée comprennent: la transformation de l'espace intérieur, décoration, nous parlons aujourd'hui amélioration de l'habitat et plus largement à l'amélioration de la maison est une décoration intérieure complète et la décoration.
format de citation chinois: Jiang Zhaojun, Cheng Xiao Gang, Peng Yaqin, et UAV algorithme de reconnaissance basé sur la profondeur de l'apprentissage Technologie électronique, 2017,43 (7): 84-87.
Anglais format de citation: Jiang Zhaojun, Cheng Xiaogang, Peng Yaqin, et al. Un nouvel algorithme de reconnaissance de drone basé sur une approche d'apprentissage en profondeur .Application Technique électronique, 2017,43 (7): 84-87.
0 introduction
Le développement de la technologie UAV très rapidement. De l'utilisation des drones américains, et maintenant des véhicules aériens sans pilote dans la recherche, les aspects civils et autres populaires, les drones sont devenus une nouvelle tendance . Qu'appliquent également apporté de nombreux nouveaux problèmes avaient eu des avions de drone a frappé l'événement d'assurance, il donne aux gens sonné l'alarme. Par conséquent, la police a mis en place le système UAV est impératif. Cette étude a porté sur sont: la mise en place d'un réseau de capteurs visuels pour la capture d'image et de stocker des informations UAV, l'introduction de l'apprentissage en profondeur du drone pour identifier, découvrir les « mouche noire des véhicules aériens sans pilote » et de prendre des mesures de police appropriées obtenir la supervision générale du drone.
Un réseau de capteurs visuels
Réseau capteur visuel complet (capteur visuel Networks, VSN) une pluralité de noeuds, chaque noeud configuré par le réseau de la caméra, qui servira de base à l'ensemble du système , comme représenté sur la figure 1.
Urban environnements un schéma de placement du noeud illustré sur la figure 2.
Afin de limiter les interférences aux résidents, la distance focale des paramètres de la caméra peut être modifié pour limiter le champ de tir de la caméra. Centre de plusieurs caméras pour couvrir avec succès le milieu de la zone de l'espace ouvert dans toutes les directions incorporés dans le moniteur.
Compte tenu de l'énorme quantité de données à noeuds multiples fournis et la nécessité d'optimiser la structure de contrôle, la structure à trois couches pour la conception du réseau de données. Se trouve au fond par une troisième couche de noeuds constituant une série de quantités variables de grappes, chaque noeud du cluster dans les données unifiées au serveur un traitement secondaire. Le traitement secondaire à travers le serveur de réseau constituant une seconde couche de réseau, les données sont envoyées au serveur central de la première couche de haut niveau.
2 centres d'apprentissage sur la base de reconnaissance d'image de profondeur
système de drone de police est un élément clé du centre de reconnaissance d'image, dont la tâche est de l'information d'image de l'analyse du réseau de capteurs visuels et de traitement, le drone identifié à partir de l'image, ce qui permet le suivi de l'UAV, appartenant à la cible la reconnaissance. ce domaine a actuellement eu beaucoup de réalisations exceptionnelles apparaissent. Les problèmes les plus courants détectés les piétons, les fonctionnalités disponibles comprennent: multiple, ces caractéristiques Haar, HOG, CSS, LBP et toute autre expression importante des différentes parties du corps, et pleinement pris en considération la situation d'occlusion. Wang Xiaogang et Ouyang Miles moyens de détection de piétons fournit en outre un apprentissage basé sur la profondeur, à quatre partie importante d'une détection des piétons d'étude conjointe - l'extraction d'une caractéristique, l'élément de corps traitement de déformation, le traitement et la classification occlusion, afin de maximiser l'effet de la respective . Ils sont à la base du réseau de neurones classique convolutif, en ajoutant une couche de contrainte de traitement, le dernier caractéristiques appris puissance hautement discriminatoire, des caractéristiques supérieures telles que porc. Wang Xiaogang programme de l'équipe est l'application réussie de l'apprentissage en profondeur dans le domaine de la reconnaissance des objets, cette étude fournit une référence de recherche. Un autre exemple est la reconnaissance faciale , ont un des changements plus complexes, parce que le visage affecté par de nombreux facteurs de race, la couleur, l'expression, l'humeur, l'environnement lumineux, l'occlusion de l'objet. Étendu à divers objet spécifique de la reconnaissance et la reconnaissance de la scène, il y a beaucoup de programme d'apprentissage en profondeur . Comme le drone du système d'information de la police, image riche, diversifiée et UAV de vol, et donc difficiles à identifier. Dans cet article, la profondeur de l'algorithme d'apprentissage est introduit, et est le centre de reconnaissance d'image de réseau neuronal convolutif.
2.1 Convolution réseau de neurones
En 2006 Hinton, qui a d'abord proposé une étude approfondie du concept de et tournez la profondeur des marées étude, qui a examiné: un réseau de neurones artificiels couche cachée sont mieux en mesure de simuler le processus de pensée du cerveau humain, un plus excellent la capacité d'apprentissage, les données peuvent être dépeints plus essentiel d'améliorer la capacité de visualiser ou de classification.
profondeur convolution apprentissage réseau de neurones est le premier algorithme vraiment d'apprentissage de structure multi-couche, ce qui est un net avantage dans le domaine de la reconnaissance d'image. Il utilise des champs réceptifs, les concepts des paramètres de connexion locaux réduit considérablement la quantité de, ce qui réduit la complexité du modèle de réseau, afin d'améliorer l'efficacité de la formation, et le réseau pour le panoramique, zoom avec un haut degré d'invariance sont diverses modifications.
réseau neuronal convolutif appartient à une multi-couche réseau de neurones à action directe, composées chacune d'une pluralité de plan en deux dimensions, une pluralité de neurones chaque plan, la structure telle que représentée sur la figure.
réseau neuronal convolutif utilisant convolution d'une série de couches, la couche sous-échantillonnage réseau multicouche construit pour simuler la perception du cerveau humain couche de mécanisme visuel de traitement de signal, de manière à extraire les caractéristiques de l'image multi-niveaux.
En ajoutant la couche de convolution, peut être mis en uvre réseau partiellement connecté, ce qui réduit efficacement les paramètres du réseau de formation requis. Par exemple, pour une grande image d'entrée, une taille de r × c, l'échantillonnage aléatoire de axb de la petite image, si le k-ième noeud caché, le nombre final de caractéristiques apprises:
couche pour mettre en commun pour résoudre le réseau de dimension de sortie est trop importante, ce qui provoque des problèmes classificateur est difficile à concevoir. Le même principe est basé sur la similitude des statistiques, mise en commun des résultats d'exploitation pour la convolution des calculs statistiques, ce qui réduit la nécessité de former les paramètres du système.
Poids mise à jour de l'algorithme de propagation arrière BP. Peut être considérée comme la sensibilité de propagation de retour d'erreur de chaque groupe de neurones (à savoir, le taux de variation de l'erreur E du groupe dérivée partielle b), et en utilisant la relation suivante:
Le classement final applique l'expansion régression logistique d'un multi-classificateur: Softmax régression. Et le système d'équations qui sont fonction des pertes du système:
2.2 Procédé d'identification d'UAV en fonction de la profondeur de l'apprentissage
Etant donné que la série d'images obtenues par le réseau de capteurs visuels, l'objet d'intérêt peut être une fraction seulement de la zone de pixels dans laquelle, et parce que l'objet a une mobilité, de sorte que le fonctionnement du centre avant d'identifier l'objet extrait d'intérêt procédé de différence de trame de prise de vues, comme entrée officielle à l'algorithme . La différence fondamentale entre les deux principales méthodes comme suit:
Où i (t), i (t-1) sont des t, la valeur de pixel du point de pixel correspondant à l'instant t-1, T est une valeur de seuil.
La figure réseau neuronal convolutif apprentissage basée sur la profondeur de l'opération d'identification en tant que drone.
Etape A: pré-traitement de données
Extraction d'une zone cible (1) Cadre méthode de différence;
(2) la conversion de format de données;
(3) une étiquette prédéfinie;
Deuxième étape: la formation du réseau profondeur, test
(1) Construction d'un réseau neuronal convolutif, détermination de la hiérarchie des paramètres de réseau et des poids;
(2) de données séquentiellement dans la couche de convolution, la couche mise en commun, des couches entièrement connectées, calculées;
(3) en utilisant rétropropagation col rétropropagation, le paramètre de réglage;
(4) Lorsque le nombre d'itérations ou d'erreur satisfait satisfait, arrêter l'entraînement du réseau, entre la précision de calcul couche de précision et de sortie (effectué seulement dans la phase de test, lorsque la formation est pas effectué).
3 performances de la reconnaissance et de l'analyse des résultats
La construction du premier réseau de capteurs visuels, deux noeuds sont fournis, les systèmes actuels sont limités au travail dans la journée.
Entrez 2848 images pour la formation, le taux d'apprentissage de base est fixé pour tester le modèle analytique pour les temps plus tard, après 5000 acquis 0,001, itération. Entrez 712 images de test, le modèle classé le cas correctement un total de 634 cas, disponible:
Comme le courant de la reconnaissance UAV aucun autre modèle tout prêt pour la comparaison, ce document analyse les paramètres de la courbe ROC. Dans la théorie de la détection du signal, la caractéristique de fonctionnement du récepteur (récepteur de caractéristique de fonctionnement, ROC) est une fonction de la sensibilité est décrit dans l'image, l'image est appelée la courbe ROC. Les courbes ROC ont représenté la performance classificateur très intuitive. Pendant ce temps, afin d'exprimer quantitativement cette performance et la simplicité, ont été proposées aire sous la courbe CRO (AUC). La valeur AUC est égale à la aire sous la courbe ROC n, la plus grande valeur AUC, meilleure est la performance du classificateur. La figure 4 montre une certaine quantité liée à la courbe ROC établie, suivie par TP (True Positive), FP (faux positifs), FN (faux négatif de), TN (négatif vrai).
modèle de classification aléatoire, pour une entrée, comme le présent, son modèle de prédiction est le score complètement aléatoire, le score intervalle tombe hypothèse prédiction , la probabilité de prédiction est exprimée mathématiquement comme:
Ainsi, montrant les résultats de la courbe ROC montre la figure 5 ci-dessus. approximation de la courbe globale figure au point (0,1), meilleure est la performance du modèle.
4 Conclusion
Cet article meilleure méthode d'apprentissage appliquée profondeur à ce concept de nouveaux systèmes de police de drones, UAV taux de reconnaissance est relativement élevé. Dans la conception de la structure du réseau, il peut y avoir redondance, ce qui conduit à un modèle de convergence assez rapide, une certaine perte d'efficacité de la formation. Ce dernier continuera d'étudier la structure du réseau, dans l'espoir d'améliorer encore la qualité du modèle, et il a une capacité d'adaptation plus large.
références
Yan Qiao Yu. UAV système de détection automatique Conception et mise en uvre Xi'an: Xi'an Université des sciences et de la technologie électronique, 2011.
à double Huzhan. UAV détection d'attitude de vol et le contrôle des Shenyang: Shenyang Université aérospatiale, 2013.
AHMAD N.Modelling et l'optimisation du réseau de capteurs de surveillance visuelle du ciel .Mid Sweden University, 2012.
OuYang Wanli, Wang Xiaogang.Joint apprentissage en profondeur pour la détection des piétons .ICCV 2013.
Li Ming, Yu Chengyang, Nian Fuzhong, et al.A algorithme de détection de visage basé sur l'apprentissage en profondeur .IJHIT 2015.
Nagpal Shruti Singh Maneet, Singh Richa, et al.Regularized apprentissage en profondeur pour la reconnaissance faciale avec des variations de poids .IEEE Access, 2015,3: 3010-3018.
Yuan Yuan, Lichao Mou, reconnaissance Lu Xiaoqiang.Scene par collecteur régularisé l'architecture d'apprentissage profond .IEEE Transactions sur les réseaux et l'apprentissage, 2015,16 (10): 2222.
G E HINTON, Salakhutdinov R R.Reducing la dimensionnalité de données avec les réseaux de neurones .Science, 2006.313: 504-507.
SAXE A M, P KOH W.On poids aléatoires et non supervisée fonction learing Conférence sur la machine .International Learing 2011: 1089-1096.
Wang Xin. Détection de motif irrégulier améliorée généralisée transformation de Hough . Pékin: Capital Normal University, 2012.
Étude de surveillance vidéo en mouvement détection d'image et des techniques allant Li Tang Le. Xi'an: Xi'an Université des sciences et de la technologie, 2010.
Informations sur l'auteur:
Jiang Zhaojun 1, 2 à Xiao Gang, Peng Yaqin 3, Wang Jun 1, Li Zhi 2
(1 Wuxi Institut de l'École de technologie de l'automobile et des transports, Wuxi, Jiangsu 214121;
2. Collège de communication et de génie de l'information, l'Université de Nanjing des Postes et Télécommunications, Nanjing 210003, Chine, 3. Collège des sciences informatiques et en génie, Université Sanjiang, Nanjing 210012)
