本發(fā)明涉及圖像識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于稀疏濾波特征選擇的目標(biāo)識(shí)別方法。

背景技術(shù)：

軍事領(lǐng)域中，傳統(tǒng)的陸軍地位不斷被削弱，空軍的崛起使得飛機(jī)目標(biāo)識(shí)別的意義十分重大。而飛機(jī)作為首要的軍事偵察與打擊對(duì)象之一，對(duì)敵方機(jī)場(chǎng)遙感圖像中的飛機(jī)動(dòng)態(tài)變化進(jìn)行掌控，提取飛機(jī)目標(biāo)的特征并進(jìn)行分類(lèi)識(shí)別，確定各類(lèi)飛機(jī)數(shù)目，以知曉敵方空中力量，對(duì)推測(cè)作戰(zhàn)方式與意圖、推進(jìn)軍事行動(dòng)具有十分重要的意義。

目前，飛機(jī)目標(biāo)遙感圖像的識(shí)別方法，主要是根據(jù)飛機(jī)圖像的外形輪廓信息尋找近似不變性特征，并結(jié)合各種分類(lèi)器進(jìn)行飛機(jī)機(jī)型的判定。常見(jiàn)類(lèi)別的不變性特征有hu矩、仿射矩、zernike矩、小波矩、角點(diǎn)特征、sift特征等。然而采用單一類(lèi)別的不變性特征，容易滿(mǎn)足某些特定應(yīng)用環(huán)境的識(shí)別要求，而對(duì)其他應(yīng)用環(huán)境的識(shí)別效果較差。因此在單一不變性特征特區(qū)的基礎(chǔ)上，近年來(lái)將各種不變性特征進(jìn)行組合，形成高維的組合不變性特征。但是組合不變性特征的多個(gè)特征之間不可避免的會(huì)存在線性關(guān)系，造成特征冗余，浪費(fèi)特征資源，且特征維數(shù)較高，容易造成“維數(shù)災(zāi)難”，使得識(shí)別效率低下。

一般來(lái)說(shuō)，大部分的無(wú)監(jiān)督特征選擇方法都是試圖對(duì)訓(xùn)練數(shù)據(jù)的真實(shí)分布建模。也就是說(shuō)，無(wú)監(jiān)督特征選擇方法就是學(xué)習(xí)一個(gè)模型，這個(gè)模型描述的就是數(shù)據(jù)真實(shí)分布的一種近似。例如，稀疏編碼、受限玻爾茲曼機(jī)(rbms)、獨(dú)立成分分析(ica)等。這些方法都可以取得不錯(cuò)的效果，但是，它們都需要調(diào)節(jié)很多參數(shù)。比如說(shuō)學(xué)習(xí)速率、動(dòng)量、稀疏度懲罰系數(shù)和權(quán)值衰減系數(shù)等。而這些參數(shù)最終的確定需要通過(guò)交叉驗(yàn)證獲得，需要耗費(fèi)大量的時(shí)間。雖然ica只需要調(diào)節(jié)一個(gè)參數(shù)，但它對(duì)于高維輸入或者很大的特征集來(lái)說(shuō)，拓展能力較弱。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述技術(shù)已有的不足，本發(fā)明的目的在于提出一種基于稀疏濾波特征選擇的目標(biāo)識(shí)別方法，用于優(yōu)化組合不變矩特征實(shí)現(xiàn)飛機(jī)目標(biāo)的識(shí)別，提高飛機(jī)目標(biāo)遙感圖像的分類(lèi)精度。

為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)。

一種基于稀疏濾波特征選擇的目標(biāo)識(shí)別方法，包括以下步驟：

1)建立飛機(jī)遙感圖像的數(shù)據(jù)庫(kù)，并將其劃分為訓(xùn)練數(shù)據(jù)集x和測(cè)試樣本集y；

2)提取訓(xùn)練數(shù)據(jù)集x中飛機(jī)目標(biāo)遙感圖像的特征，包括圖像的熵、歸一化轉(zhuǎn)動(dòng)變量nmi、hu矩、fourier描述子和zernike矩，將飛機(jī)目標(biāo)遙感圖像的特征進(jìn)行歸一化，組成飛機(jī)目標(biāo)遙感圖像的組合不變性特征x∈r^m×n，其中m和n分別為圖像數(shù)量維數(shù)和特征維數(shù)；

3)利用組合不變性特征x訓(xùn)練稀疏字典d∈r^n×l，使用稀疏濾波方法進(jìn)行特征選擇，減少特征的維度，得到緊湊的特征表達(dá)f，其中l(wèi)表示特征選擇后的特征維數(shù)；

4)利用優(yōu)化后的特征f訓(xùn)練基于rbf核的svm分類(lèi)器，得到用于飛機(jī)目標(biāo)識(shí)別的分類(lèi)器模型；

5)按步驟2～3)的方法提取測(cè)試樣本集y的組合不變性特征進(jìn)行特征選擇，將得到的非線性變換特征輸入經(jīng)過(guò)步驟4)訓(xùn)練的svm分類(lèi)器進(jìn)行分類(lèi)，得到最終的測(cè)試結(jié)果。

所述步驟1)中建立的飛機(jī)遙感圖像數(shù)據(jù)庫(kù)共包含8類(lèi)飛機(jī)遙感圖像，每類(lèi)88幅，共704幅128*128的二值圖像；在數(shù)據(jù)庫(kù)中，不僅包括了旋轉(zhuǎn)不同角度的飛機(jī)圖像，而且還包括部分位置被遮擋的遙感飛機(jī)圖像；從每類(lèi)飛機(jī)圖像中隨機(jī)選擇38幅圖像組成訓(xùn)練集x，剩余的50幅圖像組成測(cè)試集y。

所述步驟2)提取訓(xùn)練集中遙感飛機(jī)圖像的熵值、歸一化轉(zhuǎn)動(dòng)變量nmi、fourier描述子、hu矩和zernike矩作為飛機(jī)圖像的組合不變性特征；其中，特征融合時(shí)所用的歸一化公式如公式(ⅰ)所示：

所述步驟3)包括以下步驟：

3.1)對(duì)組合不變性特征x進(jìn)行非線性變換，得到映射特征矩陣f，其非線性變換公式如式(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表示映射特征矩陣，且f的第i行值對(duì)應(yīng)第i幅圖像的特征向量，第j列值表示不同圖像的第j個(gè)特征，l表示特征選擇后的特征維數(shù)；

3.2)對(duì)進(jìn)行特征矩陣f進(jìn)行稀疏約束，求得稀疏字典d，具體步驟包括：

3.2.1)每一個(gè)特征除以其在所有樣本的二范數(shù)，如式(ⅲ)所示：

3.2.2)對(duì)步驟3.2.1)得到的每個(gè)樣本的特征進(jìn)行歸一化，如式(ⅳ)所示：

3.2.3)對(duì)步驟3.2.2)歸一化后得到的特征矩陣f2進(jìn)行稀疏約束，求得稀疏字典，如式(ⅴ)所示：

d＝mind||f2||1(ⅴ)。

所述步驟4)中，把特征選擇后的組合不變性特征f作為輸入，利用k折交叉驗(yàn)證法進(jìn)行網(wǎng)格尋優(yōu)搜索來(lái)實(shí)現(xiàn)基于rbf核的svm的參數(shù)尋優(yōu)，然后使用尋優(yōu)得到的最佳參數(shù)c和λ訓(xùn)練svm分類(lèi)器。

所述步驟5)包括以下步驟：

5.1)提取測(cè)試樣本集y的組合不變性特征并進(jìn)行與訓(xùn)練階段相同的歸一化；

5.2)利用訓(xùn)練階段獲得的稀疏字典d，采用與訓(xùn)練集x相同的非線性變換方法進(jìn)行特征選擇，得到非線性變換特征

5.3)將特征輸入到經(jīng)過(guò)訓(xùn)練的svm分類(lèi)器中進(jìn)行分類(lèi)，得到最終的識(shí)別結(jié)果。

本發(fā)明的有益效果是：

本發(fā)明使用基于稀疏濾波的特征選擇算法，僅需要調(diào)節(jié)較少的參數(shù)，就可以得到最好的特征表達(dá)，減少了特征維數(shù)，降低了特征冗余，提高了識(shí)別速度和精度。通過(guò)基于組合不變矩的特征提取方法，消除了飛機(jī)遙感圖像中平移、旋轉(zhuǎn)、遮擋等現(xiàn)象對(duì)識(shí)別結(jié)果造成的影響，提高了算法的魯棒性。而且由于使用基于rbf的svm分類(lèi)模型進(jìn)行識(shí)別，因此在小樣本的情況下依然可以取得較好的識(shí)別效果。

附圖說(shuō)明

圖1是本發(fā)明實(shí)現(xiàn)的流程圖；

圖2是本發(fā)明的識(shí)別結(jié)果。

具體實(shí)施方式

下面結(jié)合附圖與具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步闡述，但是本發(fā)明不局限于以下實(shí)施例。

參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下。

第一步、建立飛機(jī)遙感圖像的數(shù)據(jù)庫(kù)，并將其劃分為訓(xùn)練數(shù)據(jù)集x和測(cè)試樣本集y；

其中建立的飛機(jī)遙感圖像數(shù)據(jù)庫(kù)共包含8類(lèi)飛機(jī)遙感圖像，每類(lèi)88幅，共704幅128*128的二值圖像。在數(shù)據(jù)庫(kù)中，不僅包括了旋轉(zhuǎn)不同角度的飛機(jī)圖像，而且還包括部分位置被遮擋的遙感飛機(jī)圖像。從每類(lèi)飛機(jī)圖像中隨機(jī)選擇38幅圖像組成訓(xùn)練集x，剩余的50幅圖像組成測(cè)試集y。

第二步、提取訓(xùn)練數(shù)據(jù)集x中飛機(jī)目標(biāo)遙感圖像的特征，提取得到的特征分別為圖像的熵、歸一化轉(zhuǎn)動(dòng)變量(nmi)、hu矩、fourier描述子和zernike矩，歸一化后組成飛機(jī)目標(biāo)遙感圖像的組合不變性特征x∈r^m×n，其中m和n分別為圖像數(shù)量和特征維數(shù)；

具體細(xì)節(jié)為依次提取訓(xùn)練集中遙感飛機(jī)圖像的熵值、歸一化轉(zhuǎn)動(dòng)變量(nmi)、fourier描述子、hu矩和zernike矩作為飛機(jī)圖像的組合不變性特征，其中特征融合時(shí)所用的歸一化公式為：

第三步、利用組合不變矩x訓(xùn)練稀疏字典d∈r^n×l，，使用稀疏濾波方法進(jìn)行特征選擇，減少特征的維度，得到緊湊的特征表達(dá)f,其中l(wèi)表示特征選擇后的特征維數(shù)；

優(yōu)選地，第三步具體包括以下步驟：

3.1)對(duì)組合不變性特征x進(jìn)行非線性變換得到的映射特征矩陣f表示為：

f＝log(1+(xd)²)(ⅱ)；

其中，d∈r^m×n表示稀疏字典，f∈r^l×m表示映射特征矩陣，且f的第i行值對(duì)應(yīng)第i幅圖像的特征向量，第j列值表示不同圖像的第j個(gè)特征，l表示特征選擇后的特征維數(shù)；

3.2)對(duì)進(jìn)行特征矩陣f進(jìn)行稀疏約束，求得稀疏字典d：

首先，每一個(gè)特征除以其在所有樣本的二范數(shù)：

然后再歸一化每個(gè)樣本的特征：

最后對(duì)歸一化后的特征矩陣f2進(jìn)行稀疏約束，求得稀疏字典：

d＝mind||f2||1(ⅴ)。

第四步、利用優(yōu)化后的特征f訓(xùn)練基于rbf核的svm分類(lèi)器，得到用于飛機(jī)目標(biāo)識(shí)別的分類(lèi)器模型；

具體細(xì)節(jié)為，把特征選擇后的組合不變性特征f作為輸入，利用k折交叉驗(yàn)證法進(jìn)行網(wǎng)格尋優(yōu)搜索來(lái)實(shí)現(xiàn)基于rbf核的svm的參數(shù)尋優(yōu)，然后使用尋優(yōu)得到的最佳參數(shù)c和λ訓(xùn)練svm分類(lèi)器。

第五步、提取測(cè)試樣本集y的組合不變性特征并進(jìn)行特征選擇，然后輸入svm分類(lèi)器進(jìn)行分類(lèi)，得到最終的測(cè)試結(jié)果；

優(yōu)選地，第五步具體包括以下步驟：

5.1)提取測(cè)試樣本集y的組合不變性特征并進(jìn)行與訓(xùn)練階段相同的歸一化；

5.2)利用訓(xùn)練階段獲得的稀疏字典d，采用與訓(xùn)練集x相同的非線性變換方法進(jìn)行特征選擇，得到非線性變換特征

5.3)將特征輸入到svm分類(lèi)器中進(jìn)行分類(lèi)，得到最終的識(shí)別結(jié)果。

本發(fā)明的原理是：采用基于組合不變矩的特征提取方法和基于稀疏濾的特征選擇算法，提取飛機(jī)遙感圖像的最優(yōu)特征組合，然后使用得到的組合特征訓(xùn)練基于rbf核的svm分類(lèi)模型進(jìn)行目標(biāo)識(shí)別。通過(guò)這種方式能夠提取到最優(yōu)組合特征并大大減少特征數(shù)量，提高目標(biāo)識(shí)別的精度和速度。

由于圖像的熵、歸一化轉(zhuǎn)動(dòng)變量(nmi)、hu矩、fourier描述子和zernike矩都是幾何不變性特征，具有旋轉(zhuǎn)、平移、尺度等的不變特征，而基于稀疏濾波的特征選擇算法進(jìn)一步優(yōu)化了特征組合，保留了組合特征的不變特征性，因此本發(fā)明在平移、旋轉(zhuǎn)、遮擋后的飛機(jī)目標(biāo)圖像上依然可以取得較好的識(shí)別效果。

本發(fā)明的效果可以通過(guò)以下仿真實(shí)驗(yàn)進(jìn)一步說(shuō)明。

1.仿真實(shí)驗(yàn)條件。

本實(shí)驗(yàn)采用包含8類(lèi)飛機(jī)類(lèi)型的遙感圖像數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，采用軟件matlab2015a作為仿真工具，計(jì)算機(jī)配置為cpu：intelcorei7/2.10hz，gpu：gt640m/2g，ram：8g。

飛機(jī)遙感圖像數(shù)據(jù)集包含8類(lèi)軍用飛機(jī)：a-10、b-1b、b-52、f-14、f-111、mirage-2000、mirage-f1和saab-37，各88張圖片，每張圖片尺寸為128×128，如圖2所示，其中圖2(a)表示a-10，圖2(b)表示b-1b，圖2(c)表示b-52，圖2(d)表示f-14，圖2(e)表示f-111，圖2(f)表示mirage-2000，圖2(g)表示mirage-f1，圖2(h)表示saab-37。

2.仿真實(shí)驗(yàn)內(nèi)容

為了測(cè)試特征選擇對(duì)識(shí)別性能的影響，同時(shí)驗(yàn)證在訓(xùn)練樣本較少和較多情況下的識(shí)別能力，從每類(lèi)飛機(jī)圖像的訓(xùn)練集中任意選取10，15，20，25，30和35幅圖像，而測(cè)試集中的所有圖像作為測(cè)試圖像，然后提取組合不變性特征，分別使用特征選擇前和稀疏濾波特征選擇后的不變性特征訓(xùn)練基于rbf核的svm分類(lèi)器，運(yùn)行100次后得到的平均識(shí)別率結(jié)果和平均運(yùn)行時(shí)間見(jiàn)表1，表1為特征選擇前后識(shí)別率與運(yùn)行時(shí)間變化對(duì)比結(jié)果。

表1

由表1可以看出，提取的組合不變性特征可以實(shí)現(xiàn)較好的識(shí)別效果，而經(jīng)過(guò)稀疏濾波特征選擇后，識(shí)別效果會(huì)得到進(jìn)一步很大的改善。