[发明专利]一种基于ELM与HMM的序列飞机目标识别方法

说明书

技术领域

本发明属于自动目标识别技术领域，特别涉及一种基于ELM与HMM的序列飞机目标识别方法。

背景技术

自动目标识别技术(Automatic Target Recognition,ATR)是取得战场控制信息权的关键因素之一。ATR算法主要分为两个方向，一个是基于模板匹配的自动目标识别算法，另一个是基于特征提取的目标识别算法。飞机目标识别作为ATR的重要领域之一，在现代战争和未来战争中都将占有着极为重要的地位。

模板匹配算法并不要求图像具有很高的对比度，同时对目标部分遮挡、复杂背景下的跟踪具有其他算法不可比拟的优势。邵大培等(邵大培,张艳宁,魏巍.基于PCA和图像匹配的飞机识别算法[J].中国体视学与图像分析,2009,14(3):261-265)提出一种基于PCA和图像匹配的飞机识别算法。

然而基于模板匹配的目标识别算法存在计算量较大、难以实时实现等缺点，所以主流研究方向是基于特征提取的识别技术。早期的研究主要集中于利用单特征结合模式分类方法对飞机目标做分类和识别，刘刚等(刘刚,梁晓庚,张京国.基于红外图像的飞机目标关键攻击部位识别[J].计算机工程与应用,2011,47(24):174-178)提出一种基于红外图像的飞机目标关键攻击部位识别算法。

上述研究都是基于单一特征的飞机目标识别，然而基于单一特征的飞机目标识别在面对飞机种类繁多时，其算法性能很差，同时基于单一特征的算法在面对图像存在噪声如遮挡、缩放等情况下，误识别率很低。在多特征融合方面，马琦等(马琦,马蔚鹏,刘彦,等.基于支持向量机的图像飞机目标自动识别算法研究[J].计算机测量与控制,2014,22(9):2851-2889)提出一种基于支持向量机的飞机目标识别算法，该方法采用Touzi边缘提取，得到目标形状参数的几何特征、Hu不变矩等16个矢量，之后通过SVM分类器完成飞机目标的自动识别。

虽然基于多特征融合的飞机目标识别算法与单一特征的飞机目标识别算法相比有较好的性能，但是由于飞机在飞行过程中可能呈现的姿态很多，上述方法难以处理当飞机呈现出多个姿态的飞机目标识别问题。在序列信息融合方面，潘锦东(潘锦东.基于DSmT与HMM的序列飞机目标融合识别算法研究[D]:[硕士学位论文].南京:东南大学,2014)提出一种基于DSmT与HMM的序列飞机目标识别算法。然而对于飞机的建模问题并没有很好的解决方法，当飞机姿态繁多时，会导致大量误识别的发生，如何对飞机建立全姿态的模型，是很有意义的工作。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种可以有效的解决由于姿态多变导致的飞机目标识别率低下问题的基于ELM与HMM的序列飞机目标识别方法。

技术方案：为解决上述技术问题，本发明提供一种基于ELM与HMM的序列飞机目标识别方法，具体步骤如下：

第一步：对飞机全姿态进行HMM建模；

第二步：对于c类飞机训练样本飞机图像进行去噪、灰度化和二值化预处理；

第三步：对经过预处理的飞机图像提取飞机目标轮廓特征，并构造轮廓局部奇异值特征；

第四步：根据轮廓局部奇异值向量，构建SLFNs网络，采用实时性好的ELM算法训练SLFNs网络，得到训练好的SLFNs网络；

第五步：对训练样本进行初识别，并带入训练好的SLFNs网络中，得到训练样本的观察值序列；

第六步：初识别结果构建目标识别率矩阵，实现对每个飞机发射观察值概率矩阵的初始化；

第七步：对第二步中的训练样本中的飞机进行状态标注，然后，统计整个样本序列中状态转移的次数，并进行归一化得到一个初始的状态转移概率矩阵；

第八步：通过第六步中得到的初始化的发射观察值概率矩阵和第七步中得到的初始化的状态转移概率矩阵，采用有监督的Baum-Welch算法实现对飞机HMM的训练，得到c个训练好的HMM模型；

第九步：对于待识别的飞机序列提取轮廓局部奇异值特征，经过训练好的SLFNs网络得到初识别结果序列，通过第八步中得到的c个训练好的HMM模型，采用长度为T的序列，计算其与每个飞机HMM的相似度，取最大值对应的飞机类别为最终的识别结果。