[發明專利]一種基于特征優選與融合的多譜段紅外目標識別方法

在審

• 申請號: 202011222614.6
• 申請日: 2020-11-05
• 公開（公告）號: CN112364859A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 楊春玲;李雨澤;武艷偉;劉光宏;張巖;叢明煜;李坡;于鯤;陳臻煒
• 申請（專利權）人: 哈爾濱工業大學;中國電子科技集團公司信息科學研究院
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/62
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 劉景祥

本發明公開了一種基于特征優選與融合的多譜段紅外目標識別方法，屬于圖像識別技術領域。與目前研究的紅外目標識別方法相比，本發明的方法使用了特征優選方法與特征融合方法。從兩個不同的角度降低原始特征空間的冗余信息。訓練分類器所需要的特征維度得到了大幅度的降低，提高了分類器的適泛性，在數據規模不是很大的應用場景同樣適用。

技術領域

本發明涉及一種基于特征優選與融合的多譜段紅外目標識別方法，屬于圖像識別技術領域。

背景技術

圖像識別，是人工智能的一個重要領域。被廣泛應用于軍事領域，醫療領域，金融領域等多個行業。對于某些需要全天候工作的應用場景，使用單一的可見光成像識別目標很難滿足要求。紅外圖像是被動成像，在夜間也能夠很好的成像，同時極端天氣如霧對紅外成像的影響較小。因此紅外目標識別技術具有較高的研究價值。

目前紅外目標識別技術大多是基于機器學習理論設計的。設計高效、魯棒的圖像特征是圖像分類任務的核心，識別效果的優劣取決于特征是否能夠反映不同目標區別于其他目標的性質。但是在設計圖像特征時需要大量的專業知識，而且很難設計出能夠廣泛應用于多種場景的特征，單一特征的應用場景具有較大的限制性。目前的主要解決方案是通過特征融合算法融合多個特征，充分利用不同特征之間信息的互補性，提高用于分類的特征空間的信息量，可以提高識別算法的魯棒性。然而，單純的串聯融合會引入大量的冗余信息，這些冗余信息有時會降低分類器的分類精度和泛化能力。

發明內容

本發明的目的是提出一種基于特征優選與融合的多譜段紅外目標識別方法，使用遷移學習的方法，通過改進GoogLeNet的網絡結構，以解決冗余信息會降低分類器的分類精度和泛化能力的問題。

一種基于特征優選與融合的多譜段紅外目標識別方法，所述多譜段紅外目標識別方法包括以下步驟：

步驟一、首先提取多譜段紅外目標圖像多維度特征，提取的特征包括：輻射均值、輻射三階矩、輻射標準差、輻射一致性、輻射平滑度、局部信息熵、三階統計量、頻域能量最大值、頻域能量均值、長寬比、復雜度和緊湊度；

步驟二、使用ReliefF算法對單一譜段特征進行預篩選，生成單一譜段的預篩選特征集 {F_短，F_中，F_長}；

步驟三、使用搜索算法結合分類模型對預篩選特征集{F_短，F_中，F_長}進一步篩選，搜索算法采用序列浮動前向選擇算法，結合特征間的相關性輔助選擇，根據實際需求確定最后篩選出來的特征集{F}；

步驟四、使用線性判別分析對篩選出來的特征集{F}進一步融合，通過LDA方法求出特征融合矩陣W；

步驟五、進行紅外圖像識別，從待測試的多譜段紅外圖像中提取經過步驟三篩選得到的特征集{F}，再使用特征融合矩陣W得到融合后的特征，最后使用機器學習方法進行識別。

進一步的，在步驟二中，具體的，根據各個特征和類別相關性的強弱賦予各特征不同的權重，最后設置閾值，權重大于閾值的特征保留，小于閾值的特征去除，最后生成單一譜段的預篩選特征集{F_短，F_中，F_長}；

進一步的，在步驟三中，具體的，特征子集從空集開始，每輪從余下特征中選擇一個特征加入特征子集，分類器性能取得最優，再從待去除特征集中去除一個特征或者不去除特征使得加入新特征后，分類器性能取得最優，以特征間的相關性作為評價準則設置待去除特征集，相關性公式為：式中X₁，X₂代表兩個特征，結合特征相關性的SFFS算法，根據實際需求確定最后篩選出來的特征集{F}。