[發明專利]融合多特征降維和遷移學習的紅外目標穩健性識別方法

在審

• 申請號: 201810400557.2
• 申請日: 2018-04-28
• 公開（公告）號: CN108681696A
• 公開（公告）日: 2018-10-19
• 發明（設計）人: 王鑫;張鑫;呂國芳;石愛業
• 申請（專利權）人: 河海大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/46
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 李玉平

本發明公開了一種融合多特征降維和遷移學習的紅外目標穩健性識別方法，首先，針對傳統的紅外人體目標特征提取方法提取某單一特征時存在涵蓋信息不全面的問題，提出提取目標不同類型的異構特征，包括目標圖像的形狀特征和亮度特征，從而充分挖掘出紅外人體目標的特點。其次，提出采用主成分分析方法對融合后的異構特征進行降維。最后，設計了一種有效的基于遷移學習的紅外人體目標分類器，可最大程度地提高泛化性能和目標識別準確度。與傳統的紅外人體目標識別方法相比，本發明提出的方法有效提高了復雜背景下紅外人體目標識別的性能。

技術領域

本發明涉及一種紅外場景下的人體目標識別技術，對紅外場景下的人體目標進行有效的識別，屬于紅外圖像處理和模式識別技術領域。

背景技術

紅外人體目標識別是紅外圖像處理和模式識別領域的一個重要研究分支。由于在紅外圖像中，人體目標受成像噪聲的干擾，對比度一般較低；其次，目標所處的背景較為復雜，目標容易被背景所干擾；最后，人體目標姿態多變，且容易被其他物體遮擋，因此，紅外人體目標的有效和穩健性識別目前仍是一項富有挑戰性的課題，對其深入研究有著重要的理論意義和實用價值。

為了有效地在紅外圖像中識別出人體目標，首先需要對紅外人體目標圖像進行特征提取。為此，研究學者提出了眾多的紅外圖像目標特征提取方法，包括HOG特征，局部強度差異直方圖(Histograms of Local Intensity Differences,HLID)特征以及梯度位置-方向直方圖(Gradient Location-Orientation Histogram,GLOH)特征等，通過提取紅外人體目標的某單一特征對目標進行表示和描述，雖然取得了一定的識別效果，但是特征提取不全面，導致識別精度不夠高。為此，又有學者提出對紅外人體目標圖像進行多特征提取和融合，改善了識別的性能，比如采用HOG和Haar-like提取圖像的形狀和紋理特征，采用了HOG和LBP描述子分別提取圖像的形狀和紋理等特征并融合等，雖然目前有很多方法提出提取紅外人體目標的多種特征，但是有些方法提取的特征是同類的(即非異構特征)，如形狀、紋理、輪廓特征反映的實際都是目標的結構信息，因此，它們未能從多角度、全方位提取目標不同類型的特征，識別性能也就無法得到更滿意的提升。

紅外人體目標識別的第二個關鍵環節是分類器的設計。目前，針對紅外人體目標的識別，常見的分類器有基于支持向量機的分類器、基于Adaboost的分類器、基于稀疏表示(Sparse Representation,SR)的分類器等。這些分類器雖然都取得了一定的效果，但是它們為了保證訓練得到的分類模型具有準確性和高可靠性，在進行訓練時它們都基于兩個基本的假設：(1)用于學習的訓練樣本與新的測試樣本需要滿足獨立同分布的條件；(2)必須有足夠多可利用的訓練樣本才能學習得到一個較好的分類模型。然而，在紅外人體目標圖像的實際應用中可以發現，這兩個條件往往很難滿足。首先，原先可利用的帶標簽的樣本數據可能變得不可用：由于紅外圖像特殊的成像原理，即使是同一目標，不同外部環境仍然可能會造成成像結果的巨大差異，導致訓練樣本與新的測試樣本的分布及語義產生較大的偏差。此外，可利用的帶標簽的紅外圖像樣本數據比較匱乏。因此，如何利用少量的帶標簽訓練樣本或源領域數據，建立一個可靠的模型對目標領域數據進行預測(源領域數據和目標領域數據可以不具有相同的數據分布)變得非常重要。

公開號為CN104778453A的一種基于紅外行人亮度統計特征的夜間行人檢測方法，它通過對樣本庫中的正負樣本圖像統計亮度直方圖特征信息和梯度直方圖特征信息，聯合構成特征描述符，然后用Adaboost結合決策樹方法進行訓練，得到一個性能較好的分類器。該方法使用了多特征提取和融合方法，圖像特征的完備性得到了一定的保證。但是高維特征的計算嚴重降低了時間效率，影響了應用的實時性，且分類器的訓練仍然需要大量的帶標簽紅外樣本，不易實現。