[發明專利]一種模糊異譜圖像的模板匹配識別方法

有效

• 申請號: 201710600227.3
• 申請日: 2017-07-21
• 公開（公告）號: CN107463954B
• 公開（公告）日: 2019-10-25
• 發明（設計）人: 肖陽;馮晨;曹治國;熊拂
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智;曹葆青

1.一種模糊異譜圖像的模板匹配識別方法，其特征在于，包括：

(1)獲取樣本圖像，對樣本圖像進行模糊處理得到訓練樣本，訓練樣本包括正樣本和負樣本，正樣本為單個三維投影模板圖像，負樣本為紅外圖像和若干可見光圖像；

(2)獲取基于大型可見光圖像數據集訓練的CNN模型，去掉已經訓練好的CNN模型的全連接層，得到目標CNN模型；

(3)抽取一定量正負樣本輸入目標CNN模型并進行不同特征圖層描述能力的對比試驗，綜合特征描述能力和效率要求選取一個特征圖層進行特征提取，將正樣本輸入目標CNN模型，得到各個卷積層對應的特征圖層，按照對比試驗的結果選取對應特征圖層進行最大值池化處理得到池化后的特征，對池化后的特征進行向量化和規范化處理，得到正樣本的特征描述；

(4)利用正樣本圖像的特征描述初始化ESVM模型的權值向量；

(5)從負樣本中抽取與正樣本特征描述維度相同的負樣本特征描述集合；

(6)將正樣本特征描述和負樣本特征描述集合輸入ESVM模型，結合難例挖掘機制迭代訓練ESVM模型，更新ESVM模型參數，直至模型達到穩定狀態，得到最終的ESVM分類器；

(7)對待檢測的經過模糊處理的紅外實時圖像進行密集采樣得到若干子圖，每個子圖通過訓練好的CNN模型提取特征圖層，對特征圖層進行處理得到特征描述后輸入ESVM分類器，得到所有子圖的分值后進行極大值抑制，最高分值的子圖對應的位置就是三維投影模板匹配上的紅外圖上的位置。

2.如權利要求1所述的一種模糊異譜圖像的模板匹配識別方法，其特征在于，所述步驟(5)的具體實現方式為：從負樣本中隨機抽取m張負樣本圖像，m張負樣本圖像分別輸入CNN，抽取對應特征圖層，利用正樣本特征描述對應的特征圖層對負樣本特征圖層進行密集采樣得到子特征圖層，對子特征圖層進行最大值池化、向量化和規范化處理，得到與正樣本圖像特征描述維度相同的負樣本特征集合。

3.如權利要求1所述的一種模糊異譜圖像的模板匹配識別方法，其特征在于，所述步驟(6)包括：

(6-1)ESVM模型對應分類函數f_β：

f_β(x)＝ω^Tx+b

其中，x為輸入的特征，b為偏重參數，ω為權值向量；

(6-2)將負樣本特征描述集合D_N輸入ESVM模型，按照下式進行難例挖掘，得到難例集合：

其中，x_N為負樣本特征集合D_N中的特征，y_N為其對應標簽“-1”，即根據上式挖掘得到的難例集合；

(6-3)輸入正樣本特征x_E和難例集合按照最小化目標函數來優化訓練ESVM模型，更新權值向量ω：

其中，Ω_E為目標函數，C₁和C₂為正則化常數，h為鉸鏈損失函數；

(6-4)從負樣本中去除處理過的負樣本圖像，在新的集合中隨機抽取m張負樣本圖像，提取特征描述集合，并利用當前ESVM模型進行難例挖掘，進而更新ESVM模型，由此迭代訓練T輪至ESVM模型達到穩定狀態，得到最終的ESVM分類器：

f_β(x)＝ω_f^Tx+b_f

其中ω_f、b_f分別為ESVM分類器最終的權值向量和偏重參數。

4.如權利要求1所述的一種模糊異譜圖像的模板匹配識別方法，其特征在于，所述步驟(7)的具體實現方式為：對待檢測的經過模糊處理的紅外實時圖像進行密集采樣得到若干子圖，每個子圖通過訓練好的CNN模型提取特征圖層，對特征圖層進行處理得到特征描述后輸入ESVM分類器，直至得到所有子圖的分值和檢測框的位置，由位置得到各個檢測框大小，按照檢測框大小重疊率不超過閾值進行極大值抑制，最高分值的子圖對應的位置就是三維投影模板匹配上的紅外圖上的位置。