[發明專利]一種基于稀疏濾波特征選擇的目標識別方法

在審

• 申請號: 201710291342.7
• 申請日: 2017-04-28
• 公開（公告）號: CN107145850A
• 公開（公告）日: 2017-09-08
• 發明（設計）人: 楊剛;鄭春紅;王傳聰;原浩娟
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 西安西達專利代理有限責任公司61202
• 代理人: 劉華

技術領域

本發明涉及圖像識別技術領域，具體涉及一種基于稀疏濾波特征選擇的目標 識別方法。

背景技術

軍事領域中，傳統的陸軍地位不斷被削弱，空軍的崛起使得飛機目標識別的 意義十分重大。而飛機作為首要的軍事偵察與打擊對象之一，對敵方機場遙感圖 像中的飛機動態變化進行掌控，提取飛機目標的特征并進行分類識別，確定各類 飛機數目，以知曉敵方空中力量，對推測作戰方式與意圖、推進軍事行動具有十 分重要的意義。

目前，飛機目標遙感圖像的識別方法，主要是根據飛機圖像的外形輪廓信息 尋找近似不變性特征，并結合各種分類器進行飛機機型的判定。常見類別的不變 性特征有Hu矩、仿射矩、Zernike矩、小波矩、角點特征、SIFT特征等。然而 采用單一類別的不變性特征，容易滿足某些特定應用環境的識別要求，而對其他 應用環境的識別效果較差。因此在單一不變性特征特區的基礎上，近年來將各種 不變性特征進行組合，形成高維的組合不變性特征。但是組合不變性特征的多個 特征之間不可避免的會存在線性關系，造成特征冗余，浪費特征資源，且特征維 數較高，容易造成“維數災難”，使得識別效率低下。

一般來說，大部分的無監督特征選擇方法都是試圖對訓練數據的真實分布建 模。也就是說，無監督特征選擇方法就是學習一個模型，這個模型描述的就是數 據真實分布的一種近似。例如，稀疏編碼、受限玻爾茲曼機(RBMs)、獨立成分 分析(ICA)等。這些方法都可以取得不錯的效果，但是，它們都需要調節很多參 數。比如說學習速率、動量、稀疏度懲罰系數和權值衰減系數等。而這些參數最 終的確定需要通過交叉驗證獲得，需要耗費大量的時間。雖然ICA只需要調節 一個參數，但它對于高維輸入或者很大的特征集來說，拓展能力較弱。

發明內容

針對上述技術已有的不足，本發明的目的在于提出一種基于稀疏濾波特征選 擇的目標識別方法，用于優化組合不變矩特征實現飛機目標的識別，提高飛機目 標遙感圖像的分類精度。

為達到上述目的，本發明采用以下技術方案予以實現。

一種基于稀疏濾波特征選擇的目標識別方法，包括以下步驟：

1)建立飛機遙感圖像的數據庫，并將其劃分為訓練數據集x和測試樣本集 y；

2)提取訓練數據集x中飛機目標遙感圖像的特征，包括圖像的熵、歸一化 轉動變量NMI、Hu矩、Fourier描述子和Zernike矩，將飛機目標遙感圖像的特 征進行歸一化，組成飛機目標遙感圖像的組合不變性特征X∈R^m×n，其中m和n分 別為圖像數量維數和特征維數；

3)利用組合不變性特征X訓練稀疏字典D∈R^n×l，使用稀疏濾波方法進行 特征選擇，減少特征的維度，得到緊湊的特征表達F，其中l表示特征選擇后的 特征維數；

4)利用優化后的特征F訓練基于RBF核的SVM分類器，得到用于飛機目 標識別的分類器模型；

5)按步驟2～3)的方法提取測試樣本集y的組合不變性特征進行特征選 擇，將得到的非線性變換特征輸入經過步驟4)訓練的SVM分類器進行分類， 得到最終的測試結果。

所述步驟1)中建立的飛機遙感圖像數據庫共包含8類飛機遙感圖像，每類 88幅，共704幅128*128的二值圖像；在數據庫中，不僅包括了旋轉不同角度 的飛機圖像，而且還包括部分位置被遮擋的遙感飛機圖像；從每類飛機圖像中隨 機選擇38幅圖像組成訓練集x，剩余的50幅圖像組成測試集y。

所述步驟2)提取訓練集中遙感飛機圖像的熵值、歸一化轉動變量NMI、 Fourier描述子、Hu矩和Zernike矩作為飛機圖像的組合不變性特征；其中，特 征融合時所用的歸一化公式如公式(Ⅰ)所示：

所述步驟3)包括以下步驟：

3.1)對組合不變性特征X進行非線性變換，得到映射特征矩陣F，其非線性 變換公式如式(Ⅱ)所示：

F＝log(1+(XD)²)(Ⅱ)；

式中，D∈R^m×n表示稀疏字典，F∈R^l×m表示映射特征矩陣，且F的第i 行值對應第i幅圖像的特征向量，第j列值表示不同圖像的第j個特征，l表示特 征選擇后的特征維數；

3.2)對進行特征矩陣F進行稀疏約束，求得稀疏字典D，具體步驟包括：

3.2.1)每一個特征除以其在所有樣本的二范數，如式(Ⅲ)所示：

3.2.2)對步驟3.2.1)得到的每個樣本的特征進行歸一化，如式(Ⅳ)所示：