本發(fā)明涉及智能交通技術(shù)，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)圖片特征提取的船舶類型識別方法。

背景技術(shù)：

隨著現(xiàn)代交通的發(fā)展，智能交通系統(tǒng)已經(jīng)成為最重要的研究領(lǐng)域之一，智能交通旨在監(jiān)控并反饋流量及突發(fā)交通事故等。因此，船舶類型識別成為智能交通最前沿的研究方向。

但是，隨著水上交通的發(fā)展，船舶監(jiān)控也是成為一個日趨嚴(yán)重的監(jiān)管問題，船舶監(jiān)控主要包括通過電子眼等視頻監(jiān)控設(shè)備對流域內(nèi)船舶進(jìn)行航行記錄、船舶類型記錄等操作。據(jù)相關(guān)部門統(tǒng)計(jì)，我國目前擁有水上運(yùn)行船舶17.20萬艘，大量船舶在水域運(yùn)行不僅給水上交通監(jiān)管的壓力大大增加，也對公共安全提出了嚴(yán)峻挑戰(zhàn)；水上交通發(fā)展，運(yùn)行船舶數(shù)量增長而帶來的船舶監(jiān)管負(fù)擔(dān)大大增強(qiáng)的問題日益突出。而通過智能交通技術(shù)在監(jiān)管水域建立電子眼等自動監(jiān)控設(shè)備自動對運(yùn)行船舶進(jìn)行監(jiān)控拍攝記錄，再結(jié)合機(jī)器通過船舶圖片數(shù)據(jù)智能識別類型并記錄，省去了大量人工操作，節(jié)約了成本負(fù)擔(dān)，能夠達(dá)到緩解該問題的目的。因此，在針對水上交通船舶記錄檢測時(shí)，以監(jiān)控視頻中的船舶圖像為數(shù)據(jù)進(jìn)行分析識別的的智能交通技術(shù)成為新的研究重點(diǎn)。

現(xiàn)有的船舶識別技術(shù)方法主要有以下幾種：

1.雷達(dá)識別法

雷達(dá)監(jiān)測器利用多普勒效應(yīng)的原理工作，雷達(dá)所發(fā)出的微波被船舶反射，船舶的大小、形狀不同，反射器接收到的反射信號也不相同，從而根據(jù)各類型船舶的反射信號來識別被測船舶的類型。但雷達(dá)對定位準(zhǔn)確度較為敏感，若定位不準(zhǔn)，則會導(dǎo)致系統(tǒng)精確度大幅度下降，且雷達(dá)成本過高，技術(shù)較為復(fù)雜。

2.紅外檢測分類識別

紅外檢測系統(tǒng)是利用分布在水岸兩邊的紅外整列檢測器來取得船舶側(cè)面的幾何特征，再利用計(jì)算機(jī)進(jìn)行處理從而得到船舶類型。該系統(tǒng)采用了大量的激光管，能夠得到大量的數(shù)據(jù)，從而能較為完整的繪制出船舶輪廓及局部特征，識別率較高。但是該系統(tǒng)安裝困難，易出故障，只停留在理論實(shí)驗(yàn)階段，在實(shí)際應(yīng)用中難以推廣。

3.視頻監(jiān)控圖像識別技術(shù)

視頻監(jiān)控系統(tǒng)是利用分布在水岸的電子眼等視頻監(jiān)控設(shè)備針對水面船舶進(jìn)行視頻拍攝，根據(jù)所拍攝的視頻圖片，通過特征提取方法提取圖片中船舶的圖像特征，再利用svm、softmax等特征分類器進(jìn)行訓(xùn)練分類實(shí)現(xiàn)圖片船舶類型識別。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題在于針對現(xiàn)有技術(shù)中的缺陷，提供一種基于卷積神經(jīng)網(wǎng)絡(luò)圖片特征提取的船舶類型識別方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種基于卷積神經(jīng)網(wǎng)絡(luò)圖片特征提取的船舶類型識別方法，包括以下步驟：

1)采集大量未分類的水上運(yùn)行船舶圖片進(jìn)行圖像預(yù)處理，處理后的圖片作為卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集進(jìn)行稀疏自編碼訓(xùn)練以獲得船舶類型特征提取卷積神經(jīng)網(wǎng)絡(luò)；該稀疏自編碼訓(xùn)練過程為無監(jiān)督自主學(xué)習(xí)；

所述圖像預(yù)處理包括將船舶圖片進(jìn)行像素小塊分塊操作，再將所得像素小塊數(shù)據(jù)集進(jìn)行主成分分析和zca白化處理；

2)從水上運(yùn)行船舶圖片中提取一部分作為訓(xùn)練集并對各張船舶圖片標(biāo)記類別，進(jìn)行圖像預(yù)處理，再將其輸入到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)中提取出各圖片中的各個船舶類型的圖片特征；該過程為監(jiān)督學(xué)習(xí)，將所得到的訓(xùn)練集船舶特征作為softmax分類器的訓(xùn)練數(shù)據(jù)集對softmax分類器進(jìn)行訓(xùn)練；

3)將需要識別的船舶圖片輸入到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)中提取出各圖片中的船舶特征，將該需識別圖像的船舶特征輸入到經(jīng)過訓(xùn)練的softmax分類器中進(jìn)行分類輸出該船舶所對應(yīng)船舶類型，實(shí)現(xiàn)通過船舶圖片識別船舶類型。

按上述方案，所述步驟1)中稀疏自編碼卷積神經(jīng)網(wǎng)絡(luò)添加的稀疏因子為：

式中，是隱藏層神經(jīng)元在接收輸入后產(chǎn)生的輸出，m是隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)，是隱藏神經(jīng)元的平均活躍度表示隱藏層神經(jīng)元稀疏性強(qiáng)弱；

設(shè)立接近于0的稀疏參數(shù)值p，通過相對熵限定的值，以達(dá)到稀疏性限制的目的；稀疏性參數(shù)計(jì)算式為：

按上述方案，所述步驟1)中采用反向傳播算法通過卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集對該神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得針對船舶類型特征提取的卷積神經(jīng)網(wǎng)絡(luò)。

按上述方案，所述步驟1)中對得到的像素小塊進(jìn)行主成分分析和zca白化處理操作，具體如下：

(a)首先求取所有像素小塊的平均向量，再計(jì)算出每個像素小塊所構(gòu)成向量與平均向量差值；

(b)計(jì)算像素小塊的協(xié)方差矩陣，對協(xié)方差矩陣進(jìn)行求取奇異值分解操作得到其特征值矩陣和特征向量矩陣；

(c)選取(b)步驟中能夠完整反映船舶圖片小塊信息的部分特征向量和特征值作為主成份，并根據(jù)主成分得到投影矩陣；

(d)對(c)步驟中得到的全部訓(xùn)練樣本圖片投影矩陣與奇異值分解矩陣所得到像素小塊的協(xié)方差矩陣的正交輸入的基向量組成的矩陣相乘，最后根據(jù)該矩陣形成投影矩陣空間，并將像素小塊所構(gòu)成向量與平均向量差值的矩陣值投影到投影特征空間中存儲。

按上述方案，所述步驟2)中圖片標(biāo)記類別具體如下：標(biāo)記類別共有17類船舶類型，分別是吊船、工程船、滾裝船、貨輪、集裝箱船、空貨船、快艇、旅游船、煤沙船、木材船、舢板、危險(xiǎn)品船、巡邏艇、漁船、雨篷船、中型客船、作業(yè)船。

按上述方案，所述步驟1)中像素小塊為8×8像素小塊。

本發(fā)明產(chǎn)生的有益效果是：本發(fā)明方法能夠快速實(shí)現(xiàn)船舶類型識別具有自組織和自學(xué)習(xí)功能，本發(fā)明在所使用的卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集選取采集大量水面船舶圖片，并以此提高船舶特征提取卷積神經(jīng)網(wǎng)絡(luò)針對需識別船舶圖片特征提取能力，并且本發(fā)明能夠適應(yīng)不斷變化的環(huán)境和不確定的輸入數(shù)據(jù)，隨著監(jiān)控船舶圖片的數(shù)量增多，卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集也隨之增長，該船舶特征提取卷積神經(jīng)網(wǎng)絡(luò)特征提取能力也會隨之不斷增強(qiáng)，因此具有廣闊的應(yīng)用前景。

附圖說明

下面將結(jié)合附圖及實(shí)施例對本發(fā)明作進(jìn)一步說明，附圖中：

圖1是本發(fā)明實(shí)施例的船舶類型識別流程圖；

圖2是本發(fā)明實(shí)施例的zca白化處理流程圖；

圖3是本發(fā)明實(shí)施例的三層卷積神經(jīng)網(wǎng)絡(luò)示意圖；

圖4是本發(fā)明實(shí)施例的采集武漢長江船舶圖像數(shù)據(jù)庫圖片。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

如圖1所示，本發(fā)明提供了一種可以應(yīng)用于水上監(jiān)控船舶類型識別方法，該方法用于對水上監(jiān)控記錄的船舶類型進(jìn)行自動識別，該識別方法具體為：首先對采集的大量長江水上船舶圖片數(shù)據(jù)庫，如圖4，進(jìn)行預(yù)處理得到卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集，再用該數(shù)據(jù)集進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼自主學(xué)習(xí)訓(xùn)練，以得出船舶類型特征提取卷積神經(jīng)網(wǎng)絡(luò)，再從采集的長江水上船舶圖片數(shù)據(jù)庫中提取出各類船舶類型圖片作為訓(xùn)練樣本集并給每張圖片標(biāo)記船舶類型標(biāo)簽，將訓(xùn)練樣本集進(jìn)行預(yù)處理輸入船舶類型特征提取卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，獲得訓(xùn)練樣本數(shù)據(jù)集特征后輸入softmax分類器以使softmax分類器對各種船舶的代表性特征進(jìn)行學(xué)習(xí)，最后將長江水上船舶圖片數(shù)據(jù)庫中需要識別的2015年05月14日武漢長江流域水上監(jiān)控船舶圖片進(jìn)行預(yù)處理輸入船舶類型特征提取卷積神經(jīng)網(wǎng)絡(luò)獲取需要識別的監(jiān)控拍攝船舶圖片特征，將該特征輸入softmax分類器以進(jìn)行船舶類型識別分類，并給出識別準(zhǔn)確率。

具體如下：

1)采集大量未分類的水上運(yùn)行船舶圖片進(jìn)行圖像預(yù)處理，處理后的圖片作為卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集進(jìn)行稀疏自編碼訓(xùn)練以獲得船舶類型特征提取卷積神經(jīng)網(wǎng)絡(luò)；

對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行稀疏自編碼訓(xùn)練過程按以下步驟實(shí)現(xiàn)：

1.1)首先通過采集大量長江水域拍攝的水上船舶圖片構(gòu)成船舶類型數(shù)據(jù)庫，采集的長江水面監(jiān)控拍攝船舶圖片總數(shù)為1292張，共17種類型船舶圖片。對該船舶圖片數(shù)據(jù)庫進(jìn)行預(yù)處理，先將每張圖片劃分為1350個8*8的像素小塊，共計(jì)1215000個像素小塊，再將所有像素小塊的8*8三顏色通道矩陣形式轉(zhuǎn)化為192維向量形式(本算法所針對的圖像操作都是三顏色通道的彩色圖像)，所有像素小塊存儲形式為m*n矩陣，其中m表示像素小塊向量維度n表示像素小塊數(shù)量。同樣的，再從大量長江水域拍攝的水上船舶圖片采集一部分船舶圖片構(gòu)成softmax訓(xùn)練樣本集。

1.2)再對得到的像素小塊進(jìn)行主成分分析和zca白化處理操作，其操作目的是提高卷積神經(jīng)網(wǎng)絡(luò)無監(jiān)督船舶特征學(xué)習(xí)速度的數(shù)據(jù)降維方法，方法流程如圖2所示：

(a)首先求取所有像素小塊的平均向量，再計(jì)算出每個像素小塊所構(gòu)成向量與平均向量差值。

(b)計(jì)算像素小塊的協(xié)方差矩陣，對協(xié)方差矩陣進(jìn)行求取奇異值分解操作得到其特征值矩陣和特征向量矩陣。

(c)選取上一步驟中能夠完整反映船舶圖片小塊信息的部分特征向量和特征值作為主成份，并根據(jù)主成分得到投影矩陣。

(d)對上一步得到的全部訓(xùn)練樣本圖片投影矩陣與奇異值分解矩陣所得到像素小塊的協(xié)方差矩陣的正交"輸入"的基向量(這些向量是協(xié)方差矩陣與協(xié)方差矩陣的伴隨矩陣乘積的特征向量)組成的矩陣相乘最后根據(jù)該矩陣形成投影矩陣空間并將像素小塊所構(gòu)成向量與平均向量差值的矩陣值投影到投影特征空間中存儲。

1.3)將經(jīng)過主成分分析和zca白化處理后得到的卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集輸入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行稀疏自編碼訓(xùn)練以獲得一個船舶類型特征提取卷積神經(jīng)網(wǎng)絡(luò)，使得卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)一個其輸出層值與輸入層值相同可將這一概念設(shè)置為輸出值與輸入值相減的函數(shù)(稱之為代價(jià)函數(shù))，即使該神經(jīng)網(wǎng)絡(luò)逼近一個恒等函數(shù)，在使自編碼神經(jīng)網(wǎng)絡(luò)逼近恒等函數(shù)的同時(shí)，給該自編碼神經(jīng)網(wǎng)絡(luò)加入對隱藏神經(jīng)元稀疏性限制，以學(xué)習(xí)輸入數(shù)據(jù)集中的一些結(jié)構(gòu)。例如，輸入層節(jié)點(diǎn)數(shù)為輸入數(shù)據(jù)向量的元素個數(shù)，數(shù)據(jù)通過輸入層再到隱藏層最后到輸出層經(jīng)過層層運(yùn)算，由于在隱藏層神經(jīng)元加入對隱藏神經(jīng)元稀疏性限制，而進(jìn)入輸入層的輸入值和輸出層得出的輸出值之間需逼近一致，這就達(dá)到了迫使自編碼神經(jīng)網(wǎng)絡(luò)去學(xué)習(xí)輸入數(shù)據(jù)的壓縮表示的目的，也就是說，它必須從與輸入輸出層節(jié)點(diǎn)數(shù)不一樣的隱藏層中的神經(jīng)元激活度向量中重構(gòu)出與輸入值相一致的輸出。當(dāng)如果輸入數(shù)據(jù)中隱含著一些特定的結(jié)構(gòu)，比如某些輸入特征是彼此相關(guān)的，那么這一算法就可以學(xué)習(xí)輸入數(shù)據(jù)中的這些相關(guān)性。從而達(dá)到訓(xùn)練該神經(jīng)網(wǎng)絡(luò)提取圖片特征的能力。稀疏自編碼卷積神經(jīng)網(wǎng)絡(luò)添加的稀疏因子為：

式中是隱藏層神經(jīng)元在接收輸入后產(chǎn)生的輸出(按照稀疏性限制判斷值為0或1)，m是隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)，是隱藏神經(jīng)元的平均活躍度表示隱藏層神經(jīng)元稀疏性強(qiáng)弱。設(shè)立接近于0的稀疏參數(shù)值p，通過相對熵限定的值，以達(dá)到稀疏性限制的目的。稀疏性參數(shù)計(jì)算式為：

卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集對于各個船舶圖片數(shù)據(jù)都是沒有人為給定各個數(shù)據(jù)所屬船舶類型標(biāo)簽的，因此，整個神經(jīng)網(wǎng)絡(luò)稀疏自編碼學(xué)習(xí)過程是一個無監(jiān)督自主學(xué)習(xí)過程，整個稀疏自編碼訓(xùn)練過程是對神經(jīng)網(wǎng)絡(luò)中的隱含層權(quán)值w和偏置項(xiàng)b進(jìn)行訓(xùn)練；通過不斷的迭代、更新權(quán)值矩陣，使得代價(jià)函數(shù)盡可能接近于零。

如圖3，該稀疏自編碼神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置為：第一層輸入層單元數(shù)為192，第二層隱藏層單元數(shù)為400，第三層輸出層單元數(shù)為192。稀疏自編碼迭代次數(shù)為400。該神經(jīng)網(wǎng)絡(luò)采用sigimod函數(shù)作為激活函數(shù)。

首先使用隨機(jī)值輸入稀疏自編碼神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，將預(yù)訓(xùn)練得到的權(quán)值w和偏置項(xiàng)b作為初始值，再使用卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)進(jìn)行稀疏自編碼訓(xùn)練。整個神經(jīng)網(wǎng)絡(luò)中的輸入層、隱藏層、輸出層，層與層之間通過權(quán)值矩陣和偏置項(xiàng)向量互相連接，除了輸入層外、其余各層輸入都是上一層每個節(jié)點(diǎn)的加權(quán)輸出和；除輸出層外每個節(jié)點(diǎn)的輸出將作為下一層每一個節(jié)點(diǎn)輸入的一部分。每一層的節(jié)點(diǎn)實(shí)際上包含了一個激勵函數(shù)，本發(fā)明所采用的是sigmoid函數(shù)：f(z)＝sigmoid(z)＝1/(1+exp(-z))。

采用反向傳播算法通過卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集對該神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即采用反向傳播算法通過卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣，反向傳播算法包括前向傳播和反向傳播，具體為：

(a)前向傳播

對于卷積神經(jīng)網(wǎng)絡(luò)，第l層第j個單元與第2層第i個單元之間的權(quán)重參數(shù)為第l層第i個單元的偏置項(xiàng)為因此w(i)是第l層與第l+1層之間的權(quán)值矩陣，而b(l)是第l+1層的偏置項(xiàng)向量，定義每一層的輸入值和激活值為：

z^(l+1)＝w^(l)a^(l)+b^(l)

a^(l+1)＝f(z^(l+1))

其中，輸入層的輸入值是輸入的卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集的值?；诖?，樣本在神經(jīng)網(wǎng)絡(luò)中實(shí)現(xiàn)了逐層的前向傳播，最終神經(jīng)網(wǎng)絡(luò)輸出計(jì)為實(shí)際輸出值hw，b(x)。

(b)反向傳播

構(gòu)造代價(jià)函數(shù)，對于包含m個樣例的固定樣本集{(x⁽¹⁾，y⁽¹⁾)，...，(x^(m)，y^(m))}(對于每一個輸入向量卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集的值x⁽ⁱ⁾，y⁽ⁱ⁾就是它的通過神經(jīng)網(wǎng)絡(luò)計(jì)算所得值，y⁽ⁱ⁾就是輸出的期望)，代價(jià)函數(shù)表示為：

其中，λ是權(quán)重衰減項(xiàng)，其目的是減小權(quán)重的幅度，防止過度擬合，提高整個神經(jīng)網(wǎng)絡(luò)的泛化能力，β是稀疏性限制的權(quán)重系數(shù)。代價(jià)函數(shù)是一個非凸函數(shù)通過梯度下降法可以尋找到它的局部最小值，即對代價(jià)函數(shù)的w和b進(jìn)行偏導(dǎo)計(jì)算進(jìn)而更新w和b的值以獲得更小的代價(jià)函數(shù)，如此迭代。w和b計(jì)算過程為：

其中α是學(xué)習(xí)速率，決定了梯度下降的速率。通過梯度下降法，卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集從輸出層逐層后向傳播，減小代價(jià)函數(shù)。訓(xùn)練樣本在卷積神經(jīng)網(wǎng)絡(luò)中迭代地進(jìn)行前向傳播和后向傳播，實(shí)現(xiàn)對權(quán)值矩陣的訓(xùn)練。在完成400次迭代步數(shù)后該卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼完成，獲得一個針對船舶類型特征提取的卷積神經(jīng)網(wǎng)絡(luò)；

2)從水上運(yùn)行船舶圖片中提取一部分作為訓(xùn)練集并對各張船舶圖片標(biāo)記類別，進(jìn)行圖像預(yù)處理，再將其輸入到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)中提取出各圖片中的各個船舶類型的圖片特征；該過程為監(jiān)督學(xué)習(xí)，將所得到的訓(xùn)練集船舶特征作為softmax分類器的訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練；

將從長江水域拍攝的水上船舶圖片中提取一部分作為訓(xùn)練集并對各張船舶圖片標(biāo)記類別，在該示例中訓(xùn)練集采用了300張長江水域船舶圖片，共17類。再將其進(jìn)行與卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集相同的預(yù)處理操作即取每張圖片取1350個8*8小塊，再進(jìn)行主成分分析和zca白化處理后輸入到訓(xùn)練后的船舶類型特征提取卷積神經(jīng)網(wǎng)絡(luò)中提取出各圖片中的各個船舶類型的圖片特征，將所得到的訓(xùn)練集船舶特征作為softmax分類器的訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練。

3)將需要識別的船舶圖片輸入到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)中提取出各圖片中的船舶特征，將該需識別圖像的船舶特征輸入到經(jīng)過訓(xùn)練的softmax分類器中進(jìn)行分類輸出該船舶所對應(yīng)船舶類型，實(shí)現(xiàn)通過船舶圖片識別船舶類型。

本實(shí)例中采集了2015年05月14日長江武漢流域位置的船舶拍攝圖片記錄作為需要識別的船舶圖片測試集，2015年05月14日長江武漢流域位置的船舶監(jiān)控記錄船舶種類共10類，共計(jì)86張船舶圖片。同樣的對該測試集進(jìn)行相同的預(yù)處理取小塊操作并進(jìn)行主成分分析和zca白化處理后輸入到訓(xùn)練后的船舶類型特征提取卷積神經(jīng)網(wǎng)絡(luò)中提取出各圖片中的船舶特征，將該需識別圖像的船舶特征輸入到經(jīng)過訓(xùn)練的softmax分類器中進(jìn)行分類輸出該船舶所對應(yīng)船舶類型。

本實(shí)例采用所采集的2015年5月到7月共26天長江武漢流域監(jiān)控船舶圖片數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，其中選取1292張共17類船舶圖片進(jìn)行預(yù)處理作為卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集。采用300張共17類船舶圖片并給每張圖片標(biāo)記種類標(biāo)簽并進(jìn)行預(yù)處理作為訓(xùn)練樣本集。采用2015年05月14日長江武漢流域位置的船舶監(jiān)控記錄船舶種類共10類，共計(jì)86張船舶圖片進(jìn)行預(yù)處理作為測試集。在使用卷積神經(jīng)網(wǎng)絡(luò)稀疏自編碼訓(xùn)練數(shù)據(jù)集對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行稀疏自編碼訓(xùn)練得出船舶類型特征提取的卷積神經(jīng)網(wǎng)絡(luò)，再分別將訓(xùn)練樣本集和測試樣本集輸入卷積神經(jīng)網(wǎng)絡(luò)提取特征，將訓(xùn)練樣本集特征輸入softmax進(jìn)行訓(xùn)練后，再將測試集輸入softmax進(jìn)行船舶類型識別，獲得最終測試結(jié)果準(zhǔn)確率為95.35％。

應(yīng)當(dāng)理解的是，對本領(lǐng)域普通技術(shù)人員來說，可以根據(jù)上述說明加以改進(jìn)或變換，而所有這些改進(jìn)和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護(hù)范圍。