[发明专利]一种基于环境及辅助目标特征交叉验证的未知目标特征提取方法

权利要求书

1.一种基于环境及辅助目标特征交叉验证的未知目标特征提取方法，其特征在于，具体步骤如下：

1)获取样本数据；

2)对样本数据进行预处理；

3)利用样本数据，训练残差三维卷积神经网络；

4)生成特征提取模型，以及确认判断阈值；

5)输出未知目标分类信息。

2.如权利要求1所述的基于环境及辅助目标特征交叉验证的未知目标特征提取方法，其特征在于，步骤1)中获取样本数据的具体方法为：

采集图像数据，为每张图像数据匹配对应的环境参数，生成样本数据。

3.如权利要求2所述的基于环境及辅助目标特征交叉验证的未知目标特征提取方法，其特征在于，步骤2)中对样本数据进行预处理的方法为：

对样本数据依次进行归一化处理和标准正态化处理，将处理后的样本数据切分成三维的小子块，并生成小子块标签，标记已知目标类和未知目标类，分为训练集和测试集。

4.如权利要求3所述的基于环境及辅助目标特征交叉验证的未知目标特征提取方法，其特征在于，步骤3)中训练残差三维卷积神经网络的具体方法为：

将环境参数与目标图像的光谱、色度特征进行高维耦合，利用三维残差卷积神经网络的卷积层和池化层进行交叉三维卷积运算，以获取高维耦合特征信息，三维卷积公式如下：

其中，l表示神经网络中的第l层；i、j、k对应数据立方体的数据坐标；D_i表示输入数据，D_o表示输出数据；H₀、W₀、D₀分别表示输入数据的高、宽、长；K_x、K_y、K_z分别是卷积核的宽高长；s_x、s_y、s_z分别是x、y、z方向滑动步长；K_x、K_y、K_z分别是卷积核的宽高长；c_i表示输入通道数，c_o表示输出通道数，CH_in表示总输入通道数，CH_out表示总输出通道数；是第l层第K个神经元连接上的权重，b是输入常数；

通过三维池化运算来提高模型的容错性，三维池化公式为：

其中，Z^l表示第l层的线性计算结果。

5.如权利要求4所述的基于环境及辅助目标特征交叉验证的未知目标特征提取方法，其特征在于，步骤4)中生成特征提取模型，以及确认判断阈值的具体方法为：

4-1)将已知目标类数据输入到训练好的残差三维卷积神经网络模型中，并记录倒数第二层每个节点输出，得到N个输出数据集合；

4-2)对N个数据集合进行sigmoid函数映射，得到映射后的N个数据集；

4-3)对映射后的N个数据集进行高斯拟合，得到N个已知目标类输出的均值和方差，作为已知目标类数据高斯分布模型；

4-4)利用均值、方差确认判决阈值，并进行保存，计算第j类判决阈值公式为：

T_m＝μ_m-lσ_m(m＝1,2,…,N,l＝1,2,3)。

6.权利要求5所述的基于环境及辅助目标特征交叉验证的未知目标特征提取方法，其特征在于，步骤5)中输出未知目标分类信息的具体方法为：

将测试数据输入到残差三维卷积神经网络模型中，根据已知目标类数据高斯分布模型和判决阈值，采用DOC算法作为判决层，将输入的测试数据分类为已经目标类或未知目标类；若D＝sigmoid(Y)的所有分量都小于对应的判决阈值，输出种类判决为未知目标类，如果至少一个分量大于判决门限，则输出种类是最大分量对应的已知类的类别。

7.权利要求6所述的基于环境及辅助目标特征交叉验证的未知目标特征提取方法，其特征在于，DOC算法中sigmoid函数公式为：

1-vs-rest层经过sigmoid映射得到输出，并服从均值是μ标准差是σ的高斯分布；取sigmoid函数的阈值分别为μ-σ、μ-2σ、μ-3σ，则分别能以68.27％、95.00％、99.00％的概率把输入判决为属于已知的目标特征；1-vs-res的阈值设为的取值范围是