????????這一節(jié)主要講怎樣判斷意圖诡宗，我們的思路是這樣的：首先以意圖命名文件夾（這里我們還是以最初定下的attack怀挠、combat和march）乃摹，而后在各文件夾下對應(yīng)放置各簡圖云茸，然后用分類器分類并計算這些樣本與測試圖片間的相似度善镰。
????????剛開始我們想著直接各圖之間作比較妹萨，在網(wǎng)上查了一下，有灰度的炫欺、cos的乎完、均值hash和感知hash算法的（可以忽視圖像的旋轉(zhuǎn)角度）比較，按比較的方向不同品洛，計算出來的相似度也不同树姨，但數(shù)值不具有普遍性，同一張圖片多次比較得到的結(jié)果不同桥状。下面我選用了均值hash和感知hash的平均和來作為相似度帽揪，得到的結(jié)果分別是91.40625%和87.5%：
????????為了得到更局普遍意義上的結(jié)果，這里還是選用深度學習框架來對大量訓練數(shù)據(jù)進行分析辅斟，用整個訓練集來與實驗圖片比較相似度转晰，得到的結(jié)果才能讓同學老師滿意。下面是使用inception v3模型，將原先的softmax輸出拋棄挽霉，自定義分類的種類防嗡，訓練參數(shù)，得到自己的分類模型侠坎，順便打印出相似度蚁趁。
????????按照這個思路，首先還是制作特定的文件夾存放數(shù)據(jù)：
bottleneck(空文件夾)
data(存放要訓練的圖片數(shù)據(jù))
images(用來測試的圖片數(shù)據(jù))
????????將我們之前準備好的attack实胸、combat和march文件夾放在data下面：
????????image文件夾下放一張準備測試的圖片：
????????而后下載retrain.py 程序他嫡，它是用于下載inception v3模型以及訓練后面的分類器，我們會在inception模型的基礎(chǔ)上進行自己圖片分類的代碼庐完。附上retrain.py的鏈接：https://github.com/tensorflow/hub/blob/master/examples/image_retraining/retrain.py
????????下載完成后钢属，運行retrain.py，下載inception v3模型并訓練分類器门躯，它的命令格式具體如下：
# 1.模型和樣本路徑的設(shè)置
bottleneck_dir?????????????????? ???#訓練數(shù)據(jù)存放
how_many_training_steps????????? ??#訓練次數(shù)
MODEL_DIR = 'inception_model'???? ?# inception模型位置
output_graph????????????????????? #輸出標簽的pb文件
output_labels???????????????????? ?#輸出檢測標簽淆党，這里為attackcombatmarch
image_dir???????????????????????? #測試用圖片位置
# 2. 神經(jīng)網(wǎng)絡(luò)參數(shù)的設(shè)置（默認）
LEARNING_RATE = 0.01
STEPS = 4000
BATCH = 100
????????這里我的運行命令如下，運行后會生成output_graph.pb和output_labels.txt兩個文件讶凉，我們的分類效果就是靠這兩個文件內(nèi)的訓練數(shù)據(jù)染乌，bottleneck_dir文件夾中會對應(yīng)每張圖片生成一個txt文檔，計算的是訓練參數(shù)：
????????好的懂讯，我們的訓練很快就完成了荷憋，下面就可以進行坦克軍團的意圖識別了，首先寫一個數(shù)據(jù)接收并調(diào)用模型的腳本：
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 ={}?
#讀取參數(shù)中的數(shù)據(jù)?
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]?
#創(chuàng)建圖來存放訓練好的模型參數(shù)?
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='')?
#測試圖片分類?
with tf.Session() as sess:?
? ? softmax_tensor = sess.graph.get_tensor_by_name('final_result:0')?
? ? #遍歷目錄?
? ? for root,dirs,files in os.walk('images/'):?
? ? ? ? for file in files:?
? ? ? ? ? ? #載入圖片?
? ? ? ? ? ? image_data = tf.gfile.FastGFile(os.path.join(root,file),'rb').read()?
? ? ? ? ? ? #jpeg格式的圖片?
? ? ? ? ? ? predictions = sess.run(softmax_tensor,{'DecodeJpeg/contents:0':image_data})?
? ? ? ? ? ? #結(jié)果轉(zhuǎn)為1維度?
? ? ? ? ? ? predictions = np.squeeze(predictions)?
? ? ? ? ? ? #打印圖片信息?
? ? ? ? ? ? image_path = os.path.join(root,file)?
? ? ? ? ? ? print (image_path)?
? ? ? ? ? ? #顯示圖片?
? ? ? ? ? ? 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()?
????????我們傳入一張?zhí)箍塑妶F圖片（attack意圖）褐望，然后將它轉(zhuǎn)成連線簡圖放在images文件夾中勒庄，然后運行命令：
分類器輸出結(jié)果如下：
????????正如輸出打印所示，分類器將三種意圖的可能性打印了出來瘫里，其中attack占0.81665实蔽，combat占0.12556，march占0.05779减宣，效果極其明顯盐须。
????????以上便是對圖片內(nèi)目標進行識別和意圖分析的主要過程，同學的匯報也受到了老師的表揚漆腌，看來是時候讓他準備請客啦贼邓。最后一節(jié)，將會繼續(xù)改良腳本闷尿，將整個項目的過程關(guān)聯(lián)在一起塑径。
代碼已上傳至GitHub及Gitee，歡迎star填具，歡迎討論：
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
