本发明属于图像处理技术领域，具体为一种基于计算单像素成像的目标识别方法。
背景技术：
传统的单像素成像中，成像光路中的一束光经分束器被分成两束，其中一束称为信号光，与目标作用后被一个无空间分辨能力的单像素探测器接收；另一束称为参考光，在传播过程中不与目标发生相互作用，被一个具有空间分辨能力的阵列探测器接收。对两个探测器接收到的信号进行关联运算，就能够清晰地恢复出目标的图像。但传统单像素成像的成像质量依赖采样次数，并且会受噪声大小的影响，在高环境噪声，欠采样条件下的成像结果质量较差，图像不完整，细节辨识度下降，难以识别，在仅需对目标进行识别的场景下，既浪费了重构的时间，效果也不尽如人意。
技术实现要素：
本发明的目的在于提供了一种基于计算单像素成像的目标识别方法。
实现本发明目的的技术解决方案为：一种噪声环境下欠采样单像素成像目标识别方法，具体步骤为：
利用计算式单像素关联成像光路获取样本的一维欠采样信号，将一维欠采样信号行重排生成矩阵，将矩阵映射到伪彩色空间生成彩色图片，将彩色图片分为训练集和测试集；
将训练集输入卷积神经网络进行训练，并进行参数调优，获得训练好的卷积神经网络；
利用计算式单像素关联成像光路获取待识别图片的一维欠采样信号并进行重排、映射为彩色图片，将彩色图片作为目标样本经训练好的卷积神经网络进行识别，获得识别结果。
优选地，所述算式单像素关联成像光路包括光源、第一透镜、dmd数字微镜、平面镜、第二透镜、单像素探测器以及计算机，所述第一透镜和dmd数字微镜的中心与样本中心处于同一光轴上并且满足透镜物相关系，使光源照射到样本后样本发出的透射或反射光线能垂直投射到dmd数字微镜平面上，所述dmd数字微镜与计算机连接，用于播放计算机生成的有序哈达玛矩阵，所述平面镜设置在样本的透射或反射光线经dmd数字微镜的反射光程上，所述单像素探测器与第二透镜处于同一光轴，平面镜的反射光线经第二透镜被单像素探测器采集，所述单像素探测器与计算机连接。
优选地，将伪彩色空间，值域上限为vmax，下限为vmin，分别具体为：
其中，
优选地，所述卷积神经网络为res_net_v2_50模型，卷积层数为50层。
优选地，当卷积神经网络进行训练收敛后，将测试集提供给卷积神经网络进行测试，获得卷积神经网络的识别准确率。
本发明与现有技术相比，其显著优点为：1)本发明减少了单像素关联成像的重构步骤，简化了单像素成像系统目标识别的流程；2)本发明生成的目标识别样本和传统方法相比，数据量更少，在识别过程中的耗时也更少，识别速率更快；3)本发明在低采样率、高噪声的成像环境下仍然适用，并且目标识别准确率没有降低。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为计算式关联成像光路示意图。
图2为非重构式目标识别方案和传统先重构再进行识别方案两种样本的识别预处理时间。
图3为非重构式目标识别方案和传统先重构再进行识别方案两种样本的推理时间。
图4为本发明的具体实施方式流程图。
具体实施方式
一种噪声环境下欠采样单像素成像目标识别方法，首先对目标使用单像素成像系统进行探测，取得单像素探测器的欠采样数据。再将取得的单像素探测器一维信号数据进行重排，并映射到伪彩色空间，生成训练样本和测试样本。利用训练样本和测试样本分别训练、测试卷积神经网络，得到训练好的卷积神经网络。对待测目标使用单像素成像系统进行探测，同样映射到伪彩色空间，获得目标样本，将目标样本输入训练好的卷积神经网络得到识别结果。本发明的非重构方案步骤较为简化，并且样本数据量较小，识别速率较快。
本发明基于单像素关联成像，是一种非重构式目标识别方案，具体步骤如下：
利用计算式单像素关联成像光路获取n张图片对应的n个以欠采样的采样率获得的一维欠采样信号；分别将n个一维欠采样信号进行重排生成n个矩阵，同样采样率的数据生成同一标准的矩阵；将矩阵映射到伪彩色空间，生成n张彩色图片，将n张彩色图片分为训练集和测试集；
在某些实施例中，将对已知数字字符目标进行采集获得的n张图片作为训练集和测试集，按照一定比例划分，通常为训练集/测试集八二比例划分，再将训练集提供给卷积神经网络进行训练，待网络收敛后，将测试集提供给网络进行测试，可以得到网络的识别准确率。
进一步的实施例中，所述计算式单像素关联成像光路包括光源1、第一透镜4、dmd数字微镜6、平面镜5、第二透镜3、单像素探测器7以及计算机9，所述第一透镜4和dmd数字微镜6的中心与待测目标中心处于同一光轴上并且满足透镜物相关系，使光源1照射到待测目标后待测目标发出的透射或反射光线能垂直投射到dmd数字微镜6平面上，所述dmd数字微镜6与计算机9连接，用于播放计算机9生成的有序哈达玛矩阵，所述平面镜5设置在待测目标的透射或反射光线经dmd数字微镜6的反射光程上，所述单像素探测器7与第二透镜3处于同一光轴，平面镜5的反射光线经第二透镜3被单像素探测器7采集，成像光路中相对位置参数已知，单像素探测器7与计算机9连接。
所述算式单像素关联成像光路的工作过程为：利用计算机9生成一组有序的哈达玛矩阵，经dmd数字微镜6播放，同时目标的透射或反射光线经dmd数字微镜6反射，经平面镜反射后透过第二透镜3被单像素探测器接收，获得信号光路的探测信息，并且根据实际识别速率的需求，单像素探测器以欠采样的采样率获得一维欠采样信号，以节省采样时间。
在某些实施例中，将矩阵映射到伪彩色空间，生成彩色图片，即将具有较大波动范围的桶探测器数据映射到给定值域的伪彩色区域，即利用彩色图像表示波动较大的灰度图像。
进一步的实施例中，假设单像素探测器7的采样数(即单个非重构样本)为ns，其桶探测器信号表示为
其中，
将目标识别训练样本提供给卷积神经网络进行训练，并进行参数调优，最终获得识别准确率，得到训练好的网络。本发明使用的卷积神经网络为res_net_v2_50模型，网络的卷积层数为50层，训练集、测试集划分比例为80％和20％。在对学习率、batch_size(一次训练所选取的样本数)、num_epoch(所有样本的一次迭代)等参数进行调优调整后，得到识别准确率最高的状态，卷积神经网络训练完成。
利用计算式单像素关联成像光路获取待识别图片的一维欠采样信号并进行重排、映射为彩色图片，将彩色图片作为目标样本经训练好的卷积神经网络进行识别，获得识别结果。
表1为非重构式目标识别方案在不同的采样率、噪声比例下的识别准确率，其中ε为噪声比例，β为采样率，如表1所示，可以看出，同一采样率下，随着噪声比例的增大，识别准确率在逐步降低，这也符合实际情况中噪声对识别效果的影响，而同一噪声比例下，随着采样率的降低，识别准确率没有明显降低，其中，在高噪声比例下，由于高采样率时的识别率偏低，在降低采样率时识别准确率是明显升高的，这也验证了本发明的低采样率策略是可行的。
表1
图2、图3为非重构式目标识别方案和传统先重构再进行识别方案两种样本的识别预处理时间与推理时间。可以看出，本发明的样本，在识别过程中，其预处理时间是要明显短于传统方法的，而两种方法的推理时间接近，因为卷积神经网络的运行速率较快。
本发明基于单像素成像系统，在不进行关联运算的前提下进行目标识别，在保证了目标识别准确率不降低的情况下，简化了目标识别的流程，加快了目标识别的速率。本发明适用于各种噪声条件下的欠采样目标识别，不需要重构目标，只需要单像素探测器的一维信号便可进行识别。
1.一种噪声环境下欠采样单像素成像目标识别方法，其特征在于，具体步骤为：
利用计算式单像素关联成像光路获取样本的一维欠采样信号，将一维欠采样信号行重排生成矩阵，将矩阵映射到伪彩色空间生成彩色图片，将彩色图片分为训练集和测试集；
将训练集输入卷积神经网络进行训练，并进行参数调优，获得训练好的卷积神经网络；
利用计算式单像素关联成像光路获取待识别图片的一维欠采样信号并进行重排、映射为彩色图片，将彩色图片作为目标样本经训练好的卷积神经网络进行识别，获得识别结果。
2.根据权利要求1所述的噪声环境下欠采样单像素成像目标识别方法，其特征在于，所述算式单像素关联成像光路包括光源(1)、第一透镜(4)、dmd数字微镜(6)、平面镜(5)、第二透镜(3)、单像素探测器(7)以及计算机(9)，所述第一透镜(4)和dmd数字微镜(6)的中心与样本(2)中心处于同一光轴上并且满足透镜物相关系，使光源(1)照射到样本(2)后样本(2)发出的透射或反射光线能垂直投射到dmd数字微镜(6)平面上，所述dmd数字微镜(6)与计算机(9)连接，用于播放计算机(9)生成的有序哈达玛矩阵，所述平面镜(5)设置在样本(2)的透射或反射光线经dmd数字微镜(6)的反射光程上，所述单像素探测器(7)与第二透镜(3)处于同一光轴，平面镜(5)的反射光线经第二透镜(3)被单像素探测器(7)采集，所述单像素探测器(7)与计算机(9)连接。
3.根据权利要求1所述的噪声环境下欠采样单像素成像目标识别方法，其特征在于，将伪彩色空间，值域上限为vmax，下限为vmin，分别具体为：
其中，
4.根据权利要求1所述的噪声环境下欠采样单像素成像目标识别方法，其特征在于，所述卷积神经网络为res_net_v2_50模型，卷积层数为50层。
5.根据权利要求1所述的噪声环境下欠采样单像素成像目标识别方法，其特征在于，当卷积神经网络进行训练收敛后，将测试集提供给卷积神经网络进行测试，获得卷积神经网络的识别准确率。
技术总结