一种基于单演特征与多核学习的红外目标识别方法技术

本发明专利技术公开了一种基于单演特征与多核学习的红外目标识别方法，该方法首先提取红外目标多尺度单演特征，包括：基于单演信号幅度信息的目标能量特征、基于单演信号相位信息的目标结构特征、及基于单演信号方向信息的目标几何特征。第二，针对提取的多尺度单演特征维度较高且可能存在信息冗余，采用主分量分析方法，对其进行降维。第三，将降维后的多尺度单演特征向量映射到统一核空间，实现不同特征在核空间的自适应融合。最后，构造基于多尺度单演特征的多核学习分类器，实现目标分类。本发明专利技术基于单演滤波的思想，提出了基于单演信号幅度、相位、和方向的多类红外目标特征提取方法，然后结合多核学习，有效提高了红外目标识别的性能。

An infrared target recognition method based on mono feature and multi-core learning

The invention discloses an infrared target recognition method based on single-channel feature and multi-core learning. The method first extracts multi-scale single-channel feature of infrared target, including target energy feature based on amplitude information of single-channel signal, target structure feature based on phase information of single-channel signal and direction information based on single-channel signal. Target geometric characteristics. Secondly, principal component analysis (PCA) is used to reduce the dimensionality of the extracted multi-scale monogenic feature, which has higher dimensionality and may have information redundancy. Thirdly, the dimension-reduced multi-scale singular feature vectors are mapped into the unified kernel space to realize the adaptive fusion of different features in the kernel space. Finally, a multi-core learning classifier based on multi-scale mono feature is constructed to achieve target classification. Based on the idea of single-pass filtering, the method for extracting features of multi-class infrared targets based on amplitude, phase and direction of single-pass signals is proposed. Then, the performance of infrared target recognition is effectively improved by combining multi-core learning.

【技术实现步骤摘要】
一种基于单演特征与多核学习的红外目标识别方法
本专利技术属于图像处理和模式识别
，涉及一种基于单演特征与多核学习的红外目标识别方法。
技术介绍
近年来，随着红外成像技术的发展，红外图像被广泛应用于多个军事或民用领域，如红外预警和制导、工业红外探测、红外安全监控等。在这些相关应用中，红外目标识别是一项至关重要的技术。对于红外目标的有效识别，关键在于两点：精确的特征提取和表示、稳健的分类器。针对红外图像的特征提取和识别，人们提出了一系列算法，如基于灰度直方图(Histogramofgray，HG)的红外图像亮度特征提取算法、基于方向梯度直方图(Histogramoforientedgradients，HOG)的红外图像形状特征提取算法、基于局部二值模式(Localbinarypattern，LBP)的红外图像纹理特征提取算法等。虽然这些特征可以用于红外图像识别，但是它们仍存在以下局限性：首先，使用单一特征对红外图像进行表示和描述时，很难将红外图像特性描述完整；其次，某些算法可能使用多类特征进行红外图像识别，但简单的将不同特征进行叠加融合，融合后的特征可能存在较大的冗余性，且特征数量越多，计算量越大；再者，某些算法选取多特征对红外图像进行识别时，所选取的特征可能不是从多角度、全方位描述红外图像，导致融合后的特征也无法完备的描述红外图像，因此限制了红外图像目标识别的性能。由此，如何选择完备、紧致、有效的红外图像特征，对于红外目标的精确识别是目前急需解决的问题。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术提出一种基于单演特征与多核学习的红外目标识别方法，以提高红外目标识别的性能和精度。技术方案：为实现本专利技术的上述目的，本专利技术所采用的技术方案是：一种基于单演特征与多核学习的红外目标识别方法，包含训练阶段和测试阶段，所述的训练阶段包括以下步骤：(1)构建红外图像训练样本集，包括正样本和负样本，将待训练的图像样本分类，并制作类别标签；(2)提取训练样本多尺度单演特征；(3)采用主分量分析方法对多尺度单演特征维度进行降维；(4)选择和构建完备的多核空间，将降维后的多尺度单演特征向量映射到统一多核空间，实现不同特征在核空间的自适应融合；(5)构造基于多尺度单演特征的多核学习分类器；所述的测试阶段包括以下步骤：(6)构建红外图像测试样本集，包括正样本和负样本，将待测试的图像样本分类，并制作样本类别标签；(7)提取测试样本多尺度单演特征；(8)采用主分量分析方法对步骤(7)提取的特征进行降维；(9)将降维后的多尺度单演特征向量映射到统一核空间，实现不同特征在核空间的自适应融合；(10)利用步骤(5)训练好的分类器，对测试样本进行分类识别。其中，所述多尺度单演特征包括：基于单演信号幅度信息的目标能量特征提取、基于单演信号相位信息的目标结构特征提取、及基于单演信号方向信息的目标几何特征提取。优选的，在训练阶段中，构建红外图像训练样本集，包括正样本集和负样本集，具体过程如下：(1.1)构建红外目标正样本集，记为X1＝[x1，x2，...，xm]；构建红外图像负样本集，记为X2＝[xm+1，xm+2，...，xm+n]，其中m和n分别表示正样本和负样本的个数，设N＝m+n表示总样本个数；(1.2)将X1和X2进行合并，构建完整的训练样本数据集X：X＝[x1，...，xm，xm+1，...，xm+n](1.3)给所有的样本图像添加类别标签，则总的类标集为：Y＝[y1，...，ym，ym+1，...，ym+n]其中，yi∈{1，2}为第i幅训练样本图像的类标，正样本和负样本类标集分别对应为Y1＝[y1，y2，...，ym]，Y2＝[ym+1，ym+2，...，ym+n]。优选的，提取训练样本多尺度单演特征，包括：基于单演信号幅度信息的样本能量特征提取、基于单演信号相位信息的样本结构特征提取、及基于单演信号方向信息的样本几何特征提取，具体过程如下：(2.1)给定一个二维样本图像x(z)，其中z表示二维图像空间像素坐标。首先对其进行里斯(Riesz)变换得到二维复信号xR(z)，则x(z)对应的单演信号xm(z)可定义为x(z)与其Riesz变换xR(z)的线性组合：xm(z)＝x(z)-(i，j)xR(z)其中，i和j表示虚部单位，(1，i，j)构成三维互相正交的基坐标。(2.2)将二维单演信号xm(z)进行分解，获取其幅度、相位、和方向信息：其中，xi(z)和xj(z)分别表示单演信号的i虚部的分量和j虚部的分量。(2.3)采用二维Log-Gabor滤波器hlg(z)先与二维样本图像x(z)的Riesz变换xR(z)进行卷积，则x(z)对应的单演信号xm(z)求解公式修改为：xm(z)＝(hlg(z)*x(z))-(i，j)(hlg(z)*xR(z))其中，hlg(z)的频域表达式为ω是频率变量，ω0是G(ω)的中心频率，σ表示该二维Log-Gabor滤波器带宽的尺度因子；(2.4)通过修改σ即可以得到不同尺度的Log-Gabor滤波器，利用不同尺度Log-Gabor滤波器与xR(z)进行卷积，即可计算不同尺度的单演信号其中表示第s个尺度下计算求得的x(z)的单演信号；S表示总尺度数；(2.5)针对每一个尺度下的单演信号，按照(2.2)所述过程计算相应的单演特征，由于xm(z)采用(2.3)中的形式，在求解A(z)、θ(z)三分量时，将采用hlg(z)*x(z)代替x(z)，hlg(z)*xR(z)代替xR(z)对A(z)、θ(z)分别计算，最终可以得到三个尺度的单演特征：其中，每个尺度下均包含能量特征、结构特征、和几何特征。优选的，采用主分量分析方法对多尺度单演特征维度进行降维，具体过程如下：其中，vec(·)表示将矩阵进行列向量化操作，pca(·)表示PCA操作；和分别表示降维后的k尺度下的样本单演能量特征、结构特征、和几何特征。优选的，选择和构建完备的多核空间，将降维后的多尺度单演特征向量映射到统一核空间，实现不同特征在核空间的自适应融合，过程如下：(3.1)选择径向基函数作为基础核函数：其中，χi和χj分别表示第i个样本和第j个样本在相同尺度下、相同类型的特征向量，并且i与j不相等，μ表示带宽参数，用于控制核函数的光滑性；(3.2)构建M个尺度的核函数，通过这些核函数将所有不同的单演特征在核空间中自适应融合：其中，K(χi，χj)为组合后的核函数，dm表示每个径向基函数核km(χi，χj)的权重，dr≥0目优选的，构造基于多尺度单演特征的多核学习分类器，实现过程如下：其中，表示优化参数，yi为训练样本的标签，b*为多核分类面的最优偏置，dm表示每个径向基函数核km(χi，χj)的权重，M表示核函数尺度数目，N表示训练样本的个数。其中，对测试样本进行分类识别，得到识别结果：有益效果：与现有技术相比，本专利技术具有以下有益技术效果：本专利技术基于单演滤波的思想，提出了基于单演信号幅度、相位、和方向的多类红外目标特征提取方法，然后结合多核学习，有效提高了红外目标识别的性能。附图说明图1是本专利技术提出算法的框图；图2是本专利技术提出的多尺度单演特征提取算法框图。具体实施方式下面结合附图和实施例对本专利技术的技术方案作进一步的说明本文档来自技高网...

【技术保护点】
1.一种基于单演特征与多核学习的红外目标识别方法，包含训练阶段和测试阶段，其特征在于，所述训练阶段包括以下步骤：(1)构建红外图像训练样本集，包括正样本和负样本，将待训练的图像样本分类，并制作样本类别标签；(2)提取训练样本多尺度单演特征；(3)采用主分量分析方法对多尺度单演特征维度进行降维；(4)选择和构建完备的多核空间，将降维后的多尺度单演特征向量映射到统一多核空间，实现不同特征在核空间的自适应融合；(5)构造基于多尺度单演特征的多核学习分类器；所述测试阶段包括以下步骤：(6)构建红外图像测试样本集，包括正样本和负样本，将待测试的图像样本分类，并制作样本类别标签；(7)提取测试样本多尺度单演特征；(8)采用主分量分析方法对步骤(7)提取的特征进行降维；(9)将降维后的多尺度单演特征向量映射到统一核空间，实现不同特征在核空间的自适应融合；(10)利用步骤(5)训练好的分类器，对测试样本进行分类识别。

【技术特征摘要】
1.一种基于单演特征与多核学习的红外目标识别方法，包含训练阶段和测试阶段，其特征在于，所述训练阶段包括以下步骤：(1)构建红外图像训练样本集，包括正样本和负样本，将待训练的图像样本分类，并制作样本类别标签；(2)提取训练样本多尺度单演特征；(3)采用主分量分析方法对多尺度单演特征维度进行降维；(4)选择和构建完备的多核空间，将降维后的多尺度单演特征向量映射到统一多核空间，实现不同特征在核空间的自适应融合；(5)构造基于多尺度单演特征的多核学习分类器；所述测试阶段包括以下步骤：(6)构建红外图像测试样本集，包括正样本和负样本，将待测试的图像样本分类，并制作样本类别标签；(7)提取测试样本多尺度单演特征；(8)采用主分量分析方法对步骤(7)提取的特征进行降维；(9)将降维后的多尺度单演特征向量映射到统一核空间，实现不同特征在核空间的自适应融合；(10)利用步骤(5)训练好的分类器，对测试样本进行分类识别。2.根据权利要求1所述的一种基于单演特征与多核学习的红外目标识别方法，其特征在于，所述多尺度单演特征包括：基于单演信号幅度信息的目标能量特征、基于单演信号相位信息的目标结构特征、基于单演信号方向信息的目标几何特征。3.根据权利要求1所述的一种基于单演特征与多核学习的红外目标识别方法，其特征在于，在训练阶段中，步骤(1)中，构建红外图像训练样本集，包括正样本集和负样本集，方法如下：(1.1)构建红外图像正样本集，记为X1＝[x1，x2，...，xm]；构建红外图像负样本集，记为X2＝[xm+1，xm+2，...，xm+n]，其中m和n分别表示正样本和负样本的个数，设N＝m+n表示总样本个数；(1.2)将X1和X2进行合并，构建完整的训练样本数据集X：X＝[x1，...，xm，xm+1，...，xm+n](1.3)给所有的样本图像添加类别标签，则总的类别标签集为：Y＝[y1，...，ym，ym+1，...，ym+n]其中，yi∈{1，2}为第i幅训练样本图像的类别标签，正样本和负样本类别标签集分别对应为：Y1＝[y1，y2，...，ym]，Y2＝[ym+1，ym+2，...，ym+n]。4.根据权利要求1所述的一种基于单演特征与多核学习的红外目标识别方法，其特征在于，步骤(2)中，提取训练样本多尺度单演特征，具体过程如下：(2.1)给定一个二维样本图像x(z)，其中z表示二维图像空间像素坐标，先对其进行里斯(Riesz)变换得到二维复信号xR(z)，则x(z)对应的单演信号xm(z)可定义为x(z)与其里斯(Riesz)变换的xR(z)的线性组合：xm(z)＝x(z)-(i，j)xR(z)其中，i和j表示虚部单位，(1，i，j)构成三维互相正交的基坐标；(2.2)将二维单演信号xm(z)进行分解，获取其幅度、相位、和方向信息：其...

【专利技术属性】
技术研发人员：宁晨，曾毓敏，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：江苏,32