这一节主要讲怎样判断意图，我们的思路是这样的：首先以意图命名文件夹（这里我们还是以最初定下的attack、combat和march），而后在各文件夹下对应放置各简图，然后用分类器分类并计算这些样本与测试图片间的相似度。
刚开始我们想着直接各图之间作比较，在网上查了一下，有灰度的、cos的、均值hash和感知hash算法的（可以忽视图像的旋转角度）比较，按比较的方向不同，计算出来的相似度也不同，但数值不具有普遍性，同一张图片多次比较得到的结果不同。下面我选用了均值hash和感知hash的平均和来作为相似度，得到的结果分别是91.40625%和87.5%：
均值hash和感知hash测试简图1
均值hash和感知hash测试简图2
为了得到更局普遍意义上的结果，这里还是选用深度学习框架来对大量训练数据进行分析，用整个训练集来与实验图片比较相似度，得到的结果才能让同学老师满意。下面是使用inception v3模型，将原先的softmax输出抛弃，自定义分类的种类，训练参数，得到自己的分类模型，顺便打印出相似度。
按照这个思路，首先还是制作特定的文件夹存放数据：
bottleneck(空文件夹)
data(存放要训练的图片数据)
images(用来测试的图片数据)
将我们之前准备好的attack、combat和march文件夹放在data下面：
小部分训练集
image文件夹下放一张准备测试的图片：
测试用图片
而后下载retrain.py 程序，它是用于下载inception v3模型以及训练后面的分类器，我们会在inception模型的基础上进行自己图片分类的代码。附上retrain.py的链接：https://github.com/tensorflow/hub/blob/master/examples/image_retraining/retrain.py
下载完成后，运行retrain.py，下载inception v3模型并训练分类器，它的命令格式具体如下：
# 1.模型和样本路径的设置
bottleneck_dir #训练数据存放
how_many_training_steps #训练次数
MODEL_DIR = 'inception_model' # inception模型位置
output_graph #输出标签的pb文件
output_labels #输出检测标签，这里为attackcombatmarch
image_dir #测试用图片位置
# 2. 神经网络参数的设置（默认）
LEARNING_RATE = 0.01
STEPS = 4000
BATCH = 100
这里我的运行命令如下，运行后会生成output_graph.pb和output_labels.txt两个文件，我们的分类效果就是靠这两个文件内的训练数据，bottleneck_dir文件夹中会对应每张图片生成一个txt文档，计算的是训练参数：
执行命令
训练数据
好的，我们的训练很快就完成了，下面就可以进行坦克军团的意图识别了，首先写一个数据接收并调用模型的脚本：
import tensorflow as tf
import os
import numpy as np
import re
from PIL import Image
import matplotlib.pyplot as plt
lines = tf.gfile.GFile('retrained_labels.txt').readlines()
uid_to_human ={}
#读取参数中的数据
for uid,line in enumerate(lines):
line=line.strip('\n')
uid_to_human[uid]=line
def id_to_string(node_id):
if node_id not in uid_to_human:
return ''
return uid_to_human[node_id]
#创建图来存放训练好的模型参数
with tf.gfile.FastGFile('retrained_graph.pb','rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
tf.import_graph_def(graph_def,name='')
#测试图片分类
with tf.Session() as sess:
softmax_tensor = sess.graph.get_tensor_by_name('final_result:0')
#遍历目录
for root,dirs,files in os.walk('images/'):
for file in files:
#载入图片
image_data = tf.gfile.FastGFile(os.path.join(root,file),'rb').read()
#jpeg格式的图片
predictions = sess.run(softmax_tensor,{'DecodeJpeg/contents:0':image_data})
#结果转为1维度
predictions = np.squeeze(predictions)
#打印图片信息
image_path = os.path.join(root,file)
print (image_path)
#显示图片
img=Image.open(image_path)
plt.imshow(img)
plt.axis("off")
plt.show()
#排序
top_k = predictions.argsort()[::-1]
print(top_k)
for node_id in top_k:
human_string =id_to_string(node_id)
#置信度
score = predictions[node_id]
print ('%s (score = %.5f)' % (human_string, score))
print()
我们传入一张坦克军团图片（attack意图），然后将它转成连线简图放在images文件夹中，然后运行命令：
运行命令
分类器输出结果如下：
输入图片读取
相似度评分
正如输出打印所示，分类器将三种意图的可能性打印了出来，其中attack占0.81665，combat占0.12556，march占0.05779，效果极其明显。
以上便是对图片内目标进行识别和意图分析的主要过程，同学的汇报也受到了老师的表扬，看来是时候让他准备请客啦。最后一节，将会继续改良脚本，将整个项目的过程关联在一起。
代码已上传至GitHub及Gitee，欢迎star，欢迎讨论：
GitHub：https://github.com/wangwei39120157028/Machine_Learning_research_on_simple_target_recognition_and_intention_analysis
Gitee：https://gitee.com/wwy2018/Machine_Learning_research_on_simple_target_recognition_and_intention_analysis/settings
网友评论