[发明专利]一种未知目标判别中的样本分布结构图特征提取方法

说明书

本发明属于目标识别技术领域，具体的说是涉及一种未知目标判别中的样本分布结构图特征提取方法。本发明首先分析训练数据集中的样本分布结构，利用最近邻规则，构建一个样本分布结构图，通过采用拉普拉斯二次型矩阵的奇异分解，建立投影子空间进行样本分布结构图特征提取，实现对未知目标的判别。由于采用最近邻的分布结构，在非高斯分布的情况下，仍然能够获得高的判别性能。

技术领域

本发明属于目标识别技术领域，具体的说是涉及一种未知目标判别中的样本分布结构图特征提取方法。

背景技术

一维距离像包含了有利于分类的信息，具有较高的分类性能，一维距离像容易获取，而且能够实现实时识别，因此，一维距离像识别成为了当前识别飞机目标的主要手段。

但是，许多常规基于一维距离像的识别方法只能识别已训练了的目标，而对没有参与训练的目标总是会误识。然而，在实际应用中，待识别目标可能是没有参与训练的新目标即未知目标，导致常规方法无法进行正确识别。因此，实际应用中，有必要首先对未知目标进行判别，以保证后续目标类别的正确识别。

常规的子空间未知目标判别方法通过建立子空间提取目标特征，实现对未知目标的判别，由于以样本距离和作为建立子空间的统计量，在高斯分布的情况下能够获得高的判别率，然而实际中的样本分布可能是非高斯的，导致常规子空间未知目标判别方法的性能下降，表明，常规子空间未知目标判别方法的性能有进一步改善的余地。

发明内容

针对上述问题，本发明提出一种未知目标判别中的特征提取方法，通过最近邻规则建立投影子空间，提取样本分布结构特征，降低了对高斯分布条件的要求，从而在非高斯分布情况下改善了对未知目标的判别率。

本发明的技术方案是：

一种未知目标判别中的样本分布结构图特征提取方法，包括以下步骤：

S1、设n维列矢量x_ij为第i类已知目标的第j个训练一维距离像,1≤i≤g，1≤j≤N_i，其中N_i为第i类已知目标的训练样本数，N为训练样本总数；

S2、计算样本间的距离：

d_ij,rl＝||x_ij-x_rl||₂

其中，i＝1,2,…g,j＝1,2,…N_i，r＝1,2,…g,l＝1,2,…N_r，d_ij,rl表示第i类已知目标的第j个一维距离像样本与第r类已知目标的第l个一维距离像样本之间的距离；由最近邻规则计算元素值a_ij,rl：

由元素值a_ij,rl组成样本分布结构图矩阵A：

A＝[a_ij,rl]_N×N；

S3、计算拉普拉斯二次型矩阵P：

P＝W-A

其中

W＝diag{w_ij,ij}

其中，diag{·}表示对角矩阵，对矩阵P进行奇异值分解：

P＝UΣV^T

其中，T表示转置，U和V分别表示左奇异矢量矩阵和右奇异矢量矩阵，Σ为奇异值组成的对角矩阵；取前f个最大奇异值对应的左奇异矢量u₁、u₂、…u_f构成投影子空间C：