【技术实现步骤摘要】
本专利技术涉及图像识别，特别是涉及一种基于稀疏表示与在线学习的小样本目标识别方法及装置。
技术介绍
1、在实际应用过程中有大量图像数据为无标注数据，尤其是在陌生环境下，传统目标识别方法无法完成此类目标识别任务。因为传统模型在应用前需要大量人工标注数据进行训练。而在多种应用场景下，往往无法一次性获取到足够的有标注数据训练模型，因而造成传统目标识别方法的应用具有很大局限性。
2、通过广泛查阅现有技术中国家专利有“一种红外图像小样本目标识别方法(申请号：202311131078.2)”、“一种基于混合属性学习的小样本目标识别方法(申请号：201810844730.8)”、“基于前向特征兼容的小样本目标识别方法(申请号：202211279726.4)”、“基于卷积神经网络度量元学习的小样本目标识别方法(申请号：202310433878.3)”、等。
3、以上专利普遍存在如下缺点：1.采用深度学习类模型，识别结果不具有可解释性。2.没有在线学习能力，模型对未知环境的适应能力差。
4、可见，现有小样本目标识别方法主要用于处理遥感图像、雷达数据、红外图像等,不能很好满足四足机器人在陌生环境下的目标识别需求。同时，新环境适应性差。传统方法不具有在线学习能力，模型训练后参数固定无法适应新环境。另外，大多数传统方法的分类结果可信性差。大多数传统方法采用深度学习模型，模型分类结果不具有可解释性，因此其结果的可信性差。
技术实现思路
1、鉴于上述问题，本专利技术提供用于
2、本专利技术提供了如下方案：
3、一种小样本目标识别方法，包括：
4、获取训练样本数据集，所述训练样本数据集包括若干各已知类别分割标注后的样本灰度图，所述样本灰度图仅包括样本目标图像；
5、利用所述训练样本数据集对稀疏表示分类字典模型进行训练确定初始字典、分类阈值以及学习阈值；所述初始字典包括用于表示所有已知类别样本数据的字的矩阵，所述字包括用于表示一个已知类别样本数据的元素矩阵，所述元素包括用于表示一个已知类别样本数据的特征的矩阵；
6、获取被测数据，所述被测数据包括被测灰度图，所述被测灰度图包括被测目标图像；
7、利用所述被测数据以及所述初始字典采用omp算法求解获得所述被测数据对应每个类别的各个表示系数；
8、利用各个所述表示系数结合所述被测数据以及各个类别对应的字计算获得所述被测数据相对每个类别的表示误差，并由所有表示误差中确定最小表示误差；
9、根据所述最小表示误差与所述分类阈值的关系确定分类结果，所述分类结果包括目标类别，所述目标类别包括所述已知类别中的一个或所述已知类别以外的类别中的一个；
10、根据所述最小表示误差与所述学习阈值的关系判断是否将所述目标类别加入所述初始字典，以便根据判断结果更新所述初始字典中的字。
11、优选地：所述字由下式表示：
12、a＝αb+ε,s.t.||ε||2＜θmax
13、式中：a为样本数据，是一个定义在实数域上的1×4096的行向量；α是表示系数，是一个定义在实数域上的1×mn的行向量，m是该字中元素的个数，n是该字典中包含的字的个数；b是字典对应的矩阵，是一个定义在实数域上的mn×4096的矩阵；ε为表示误差，是一个定义在实数域上的1×4096的行向量；||·||2代表2-范数算子；θmax代表最大表示误差，是一个非负实数。
14、优选地：所述分类阈值由下式表示：
15、
16、式中：hc表示模型最终分类阈值，表示第i次十折交叉验证求得的分类阈值。
17、优选地：所述学习阈值由下式表示：
18、
19、式中：hl表示模型最终学习阈值，表示第i次十折交叉验证求得的学习阈值。
20、优选地：求解所述表示系数的目标函数由下式表示：
21、
22、式中：||·||0代表0-范数算子，它的值等于向量中非0元素的个数；||·||2代表2-范数算子；θmax代表最大表示误差，是一个非负实数。
23、优选地：所述表示误差通过下式计算获得：
24、sr(i)＝||a-αibi||2
25、式中：bi为第i类对应的字；αi为第i类的表示系数；sr(i)为第i类在字典中对被测样本a的稀疏表示误差。
26、优选地：所述根据所述最小表示误差与所述分类阈值的关系确定分类结果包括通过下式确定是否属于已知类别：
27、min{sr(i)}＜hc
28、式中：min{sr(i)}表示最小表示误差，hc表示模型最终分类阈值；
29、确定满足不等式确定属于已知类别，进一步通过下式确定属于哪一类：
30、
31、式中：表示最小表示误差对应的类别号；
32、确定不满足不等式确定不属于已知类别。
33、优选地：根据所述最小表示误差与所述学习阈值的关系判断是否将所述目标类别加入所述初始字典包括通过下式确定是否可以被学习：
34、min{sr(i)}＜hl
35、式中：min{sr(i)}表示最小表示误差，hl表示模型最终学习阈值；
36、确定满足不等式确定将所述目标类别加入所述初始字典；
37、确定不满足不等式确定将所述目标类别不加入所述初始字典。
38、优选地：判断更新所述初始字典中的字的元素数量是否超过最大元素数量；
39、字的元素量大于最大元素数量，随机抽取其中一个删除。
40、一种小样本目标识别装置，包括：
41、训练样本数据集获取单元，用于获取训练样本数据集，所述训练样本数据集包括若干各已知类别分割标注后的样本灰度图，所述样本灰度图仅包括样本目标图像；
42、模型训练单元，用于利用所述训练样本数据集对稀疏表示分类字典模型进行训练确定初始字典、分类阈值以及学习阈值；所述初始字典包括用于表示所有已知类别样本数据的字的矩阵，所述字包括用于表示一个已知类别样本数据的元素矩阵，所述元素包括用于表示一个已知类别样本数据的特征的矩阵；
43、被测数据获取单元，用于获取被测数据，所述被测数据包括被测灰度图，所述被测灰度图包括被测目标图像；
44、表示系数求解单元，用于利用所述被测数据以及所述初始字典采用omp算法求解获得所述被测数据对应每个已知类别的各个表示系数；
45、表示误差计算单元，用于利用各个所述表示系数结合所述被测数据以及各个已知类别对应的字计算获得所述被测数据相对每个已知类别的表示误差，并由所有表示误差中确定最小表示误差本文档来自技高网...
【技术保护点】
1.一种小样本目标识别方法，其特征在于，包括：
2.根据权利要求1所述的小样本目标识别方法，其特征在于，所述字由下式表示：
3.根据权利要求1所述的小样本目标识别方法，其特征在于，所述分类阈值由下式表示：
4.根据权利要求3所述的小样本目标识别方法，其特征在于，所述学习阈值由下式表示：
5.根据权利要求1所述的小样本目标识别方法，其特征在于，求解所述表示系数的目标函数由下式表示：
6.根据权利要求1所述的小样本目标识别方法，其特征在于，所述表示误差通过下式计算获得：
7.根据权利要求6所述的小样本目标识别方法，其特征在于，所述根据所述最小表示误差与所述分类阈值的关系确定分类结果包括通过下式确定是否属于已知类别：
8.根据权利要求1所述的小样本目标识别方法，其特征在于，根据所述最小表示误差与所述学习阈值的关系判断是否将所述目标类别加入所述初始字典包括通过下式确定是否可以被学习：
9.根据权利要求8所述的小样本目标识别方法，其特征在于，判断更新所述初始字典中的字的元素数量是否超过最大元素数
10.一种小样本目标识别装置，其特征在于，包括：
...【技术特征摘要】
1.一种小样本目标识别方法，其特征在于，包括：
2.根据权利要求1所述的小样本目标识别方法，其特征在于，所述字由下式表示：
3.根据权利要求1所述的小样本目标识别方法，其特征在于，所述分类阈值由下式表示：
4.根据权利要求3所述的小样本目标识别方法，其特征在于，所述学习阈值由下式表示：
5.根据权利要求1所述的小样本目标识别方法，其特征在于，求解所述表示系数的目标函数由下式表示：
6.根据权利要求1所述的小样本目标识别方法，其特征在于，所述表示误差通过下式计算获得：...
【专利技术属性】
技术研发人员：刘翔宇，骆云志，周勇，向学辅，曾勤波，康林，张瑜，许甜甜，
申请(专利权)人：中国兵器装备集团自动化研究所有限公司，
类型：发明
国别省市：
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。