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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。