[發明專利]基于自適應多尺度融合稀疏保持投影的一維距離像識別方法

有效

• 申請號: 201710311294.3
• 申請日: 2017-05-05
• 公開（公告）號: CN107133648B
• 公開（公告）日: 2020-08-04
• 發明（設計）人: 戴為龍;張弓;劉文波
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.基于自適應多尺度融合稀疏保持投影的一維距離像識別方法，其特征在于，包括以下步驟：

(1)訓練階段：

(11)對訓練樣本集提取其歸一化幅度特征集并進行平移對齊，得到平移對齊后的幅度特征集

(12)利用高斯尺度算子G對平移對齊后的幅度特征集H進行多尺度空間映射，得到訓練樣本多尺度空間幅度特征向量集

對平移對齊后的幅度特征集H利用高斯尺度算子進行多尺度空間映射；其中，對于一個一維距離像幅度特征h_i(g)來說，表示單個尺度空間下的幅度特征總個數；其多尺度空間映射表示為：

其中，表示卷積運算，表示總尺度個數；G(g,σ_m)為一維高斯尺度算子，其計算公式如下：

式中，g為一維距離像幅度特征的空間坐標，σ_m為尺度因子，通過賦予σ_m不同的值以實現多尺度空間映射；由此可以得到訓練樣本多尺度空間幅度特征向量集其中，表示單個尺度空間下的幅度特征總個數；

(13)由稀疏保持投影法對多尺度空間幅度特征樣本分別進行稀疏重構，得到各尺度空間上的稀疏系數矩陣；

根據稀疏保持投影法，對任一尺度因子σ_m而言，該空間下的任一訓練樣本幅度特征都可由除其自身以外的剩余訓練樣本幅度特征對其進行稀疏重構，其中，建立稀疏重構方程：

1＝e^Tr_i

其中，為滿足條件的最佳稀疏表示系數向量，其中e表示所有元素均為1的列向量，表示滿足條件的稀疏表示系數向量，r_i,j表示訓練樣本特征向量對重構的貢獻量，ε為噪聲松弛量，表示取1范數；

計算所有訓練樣本最佳稀疏表示系數向量得到該尺度空間下的稀疏系數矩陣則用相同的方法可得到各尺度空間上的稀疏系數矩陣

(14)利用空間權重算法計算各尺度空間權重系數，結合各尺度空間稀疏系數矩陣，得到多尺度融合稀疏系數矩陣；具體為：利用空間權重算法自適應調節各尺度空間權重系數；對于任一固定尺度因子σ_m而言，其類間距離和類內距離反映了該空間的樣本類別可分性，通過其比值可自適應調節該尺度空間在目標分類過程中的影響權重；假設訓練樣本中包含的目標類別數為第c個目標類別中包含的樣本數n_c，則可以計算尺度σ_m下的樣本特征類間距離：

其中，分別表示該空間下屬于c₁和c₂類別訓練樣本幅度特征的平均向量，表示和的歐氏距離；相應地，可以計算尺度因子σ_m下的樣本特征類內距離：

其中，表示空間σ_m中屬于類別的第k個訓練樣本幅度特征，表示和間的歐式距離；則該空間的權重系數為：

同理可得各尺度下的權重系數為：因此，通過權重系數調節各尺度空間識別權重，由于各空間識別信息大多包含在空間稀疏系數矩陣中，則利用權重系數結合稀疏系數矩陣將各空間識別信息有機融合得到多尺度融合稀疏系數矩陣：

(15)由稀疏保持投影約束結合步驟(14)的多尺度融合稀疏系數矩陣R建立約束方程，得到低維空間投影矩陣W，并對平移對齊后的幅度特征集H進行低維空間投影，得到訓練樣本低維幅度特征向量集

(16)由訓練樣本低維幅度特征向量集對支持向量機進行訓練；

(2)測試階段：

(21)對測試樣本y提取其歸一化幅度特征并與訓練樣本幅度特征集H進行平移對齊，得到平移對齊后的幅度特征h_y；

(22)利用步驟(15)求得的低維空間投影矩陣W對測試樣本平移對齊后的幅度特征h_y進行低維投影，得到測試樣本低維幅度特征向量p_y：

p_y＝W^Th_y

(23)利用訓練完成的分類器對測試樣本低維幅度特征進行分類，輸出測試樣本分類結果。

2.根據權利要求1所述的基于自適應多尺度融合稀疏保持投影的一維距離像識別方法，其特征在于：所述步驟(15)中，由稀疏保持投影法和多尺度融合稀疏系數矩陣可得多尺度融合稀疏保持投影約束：

該約束可以轉化為：

該最小化問題可以轉化為最大化問題：

利用拉格朗日乘數法，該問題可以轉化為以下廣義特征值問題：

其中，α為特征值，為其對應的特征向量，則對應最大d個特征值的特征向量組成低維空間投影矩陣W；由求得的投影矩陣W對訓練樣本幅度特征集和測試樣本幅度特征進行低維空間投影：

P＝W^TH

p_y＝W^Th_y

由此得到訓練樣本低維幅度特征向量集P和測試樣本低維幅度特征向量p_y，后續分別將其作為最終特征進行分類器的訓練和分類。