[发明专利]一种基于稀疏滤波特征选择的目标识别方法

说明书

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于稀疏滤波特征选择的目标 识别方法。

背景技术

军事领域中，传统的陆军地位不断被削弱，空军的崛起使得飞机目标识别的 意义十分重大。而飞机作为首要的军事侦察与打击对象之一，对敌方机场遥感图 像中的飞机动态变化进行掌控，提取飞机目标的特征并进行分类识别，确定各类 飞机数目，以知晓敌方空中力量，对推测作战方式与意图、推进军事行动具有十 分重要的意义。

目前，飞机目标遥感图像的识别方法，主要是根据飞机图像的外形轮廓信息 寻找近似不变性特征，并结合各种分类器进行飞机机型的判定。常见类别的不变 性特征有Hu矩、仿射矩、Zernike矩、小波矩、角点特征、SIFT特征等。然而 采用单一类别的不变性特征，容易满足某些特定应用环境的识别要求，而对其他 应用环境的识别效果较差。因此在单一不变性特征特区的基础上，近年来将各种 不变性特征进行组合，形成高维的组合不变性特征。但是组合不变性特征的多个 特征之间不可避免的会存在线性关系，造成特征冗余，浪费特征资源，且特征维 数较高，容易造成“维数灾难”，使得识别效率低下。

一般来说，大部分的无监督特征选择方法都是试图对训练数据的真实分布建 模。也就是说，无监督特征选择方法就是学习一个模型，这个模型描述的就是数 据真实分布的一种近似。例如，稀疏编码、受限玻尔兹曼机(RBMs)、独立成分 分析(ICA)等。这些方法都可以取得不错的效果，但是，它们都需要调节很多参 数。比如说学习速率、动量、稀疏度惩罚系数和权值衰减系数等。而这些参数最 终的确定需要通过交叉验证获得，需要耗费大量的时间。虽然ICA只需要调节 一个参数，但它对于高维输入或者很大的特征集来说，拓展能力较弱。

发明内容

针对上述技术已有的不足，本发明的目的在于提出一种基于稀疏滤波特征选 择的目标识别方法，用于优化组合不变矩特征实现飞机目标的识别，提高飞机目 标遥感图像的分类精度。

为达到上述目的，本发明采用以下技术方案予以实现。

一种基于稀疏滤波特征选择的目标识别方法，包括以下步骤：

1)建立飞机遥感图像的数据库，并将其划分为训练数据集x和测试样本集 y；

2)提取训练数据集x中飞机目标遥感图像的特征，包括图像的熵、归一化 转动变量NMI、Hu矩、Fourier描述子和Zernike矩，将飞机目标遥感图像的特 征进行归一化，组成飞机目标遥感图像的组合不变性特征X∈R^m×n，其中m和n分 别为图像数量维数和特征维数；

3)利用组合不变性特征X训练稀疏字典D∈R^n×l，使用稀疏滤波方法进行 特征选择，减少特征的维度，得到紧凑的特征表达F，其中l表示特征选择后的 特征维数；

4)利用优化后的特征F训练基于RBF核的SVM分类器，得到用于飞机目 标识别的分类器模型；

5)按步骤2～3)的方法提取测试样本集y的组合不变性特征进行特征选 择，将得到的非线性变换特征输入经过步骤4)训练的SVM分类器进行分类， 得到最终的测试结果。

所述步骤1)中建立的飞机遥感图像数据库共包含8类飞机遥感图像，每类 88幅，共704幅128*128的二值图像；在数据库中，不仅包括了旋转不同角度 的飞机图像，而且还包括部分位置被遮挡的遥感飞机图像；从每类飞机图像中随 机选择38幅图像组成训练集x，剩余的50幅图像组成测试集y。

所述步骤2)提取训练集中遥感飞机图像的熵值、归一化转动变量NMI、 Fourier描述子、Hu矩和Zernike矩作为飞机图像的组合不变性特征；其中，特 征融合时所用的归一化公式如公式(Ⅰ)所示：

所述步骤3)包括以下步骤：

3.1)对组合不变性特征X进行非线性变换，得到映射特征矩阵F，其非线性 变换公式如式(Ⅱ)所示：

F＝log(1+(XD)²)(Ⅱ)；

式中，D∈R^m×n表示稀疏字典，F∈R^l×m表示映射特征矩阵，且F的第i 行值对应第i幅图像的特征向量，第j列值表示不同图像的第j个特征，l表示特 征选择后的特征维数；

3.2)对进行特征矩阵F进行稀疏约束，求得稀疏字典D，具体步骤包括：

3.2.1)每一个特征除以其在所有样本的二范数，如式(Ⅲ)所示：

3.2.2)对步骤3.2.1)得到的每个样本的特征进行归一化，如式(Ⅳ)所示：