CN106557784B - 基于压缩感知的快速目标识别方法和系统 - Google Patents

Abstract

本发明公开了一种基于压缩感知的快速目标识别方法，该方法包含：采用光谱选择方法进行光谱降维；采用压缩感知方法进行目标图像采样和稀疏变换；基于正交匹配追踪方法进行压缩感知重构；采用SVM分类器进行目标识别。本发明利用压缩感知算法进行采样和稀疏处理，降低数据后期计算量，能够突破采样频率的限制结合光谱选择和目标识别算法，利用高光谱特征识别技术，将单元目标探测和多元成像探测相结合，同时利用光谱技术和成像技术，能够使探测单元具备目标识别能力，提高目标识别率，使目标识别的过程时间减少，抗干扰能力强。

Description

基于压缩感知的快速目标识别方法和系统

技术领域

本发明涉及高光谱图像处理和目标识别领域，具体涉及一种基于压缩感知的快速目标识别方法和系统。

背景技术

压缩感知理论是一种比较新颖的信号处理方法，与传统的信号处理中先采样再压缩不同，它是在将压缩和采样同时进行，这也是压缩感知独特的优势。它可以脱离信息处理对带宽的性能要求，提出了以信号的稀疏表示为前提，把稀疏性作为信号的一个基本特性；假如某一信号不满足要求，则压缩感知理论便会失效，幸运的是在一般目标识别中，图像的稀疏度都较大，因此利用压缩感知得到的数据量可以远远小于信号的原始信息量，从而降低成本。

光谱特征识别技术实际上是一种与单元目标探测和多元成像探测相结合的复合识别技术，通过将光谱技术与成像技术相结合，使单元探测真正具备目标识别能力，通过光谱特征识别功能的附加改进，可以使原有的单元红外系统在有限的硬件改进和软件算法升级的条件下具备强大的目标识别能力，具有极高的效费比。另外由于光谱反映了辐射源的本质信息，因此相对于传统红外系统，其目标识别率大大提高，特别是其抗干扰特性非常优异，干扰的难度非常大，如果识别技术高超甚至无法干扰。

目前随着光谱成像技术的发展，高光谱大量的光谱波段数据提供了丰富的信息。但是一般来说，对于目标进行多光谱分析，由于波段的增多也导致了信息冗余和数据处理难度的增加。即通常意义下的“维数灾难”。同时，面对高光谱数十、数百的波段信息，基于样本数和计算复杂的限制，全部利用所有波段是不现实的，因此光谱降维一直是光谱图像处理领域的热点问题之一。当前，数据降维主要有两种方法：特征选择和特征提取。其基本任务为从多光谱特征中寻找有效特征输出。但即便如此，处理后的系统依然存在很大的信息冗余与闲置带宽。

发明内容

本发明提供一种基于压缩感知的快速目标识别方法和系统，能够使目标识别的过程时间减少，从而在更多领域得到利用。

为实现上述目的，本发明公开了一种基于压缩感知的快速目标识别方法，其特点是，该方法包含：

采用光谱选择方法对训练样本光谱降维，并用训练样本训练SVM分类器；

采用压缩感知方法进行目标图像采样和稀疏变换；

基于正交匹配追踪方法进行压缩感知重构；

采用SVM分类器进行目标识别。

上述光谱选择方法包含：

从输入图像选取正样本集和负样本集作为训练样本，正样本集采用用户选定区域样本集合，负样本集采用用户选定或顶点成分分析方法选择；

当训练样本只有正样本集，采用PCA方法进行特征波段选择；

当训练样本包含负样本集，采用PCA方法或流形降维方法进行特征波段选择；

对选择的特征波段进行分析和光谱能量补偿。

上述顶点成分分析方法包含：

首先设定选取端元个数，并选取端元集合{e₁,e₂....,e_p}；

对于选定的端元集合{e₁,e₂....,e_p}，利用光谱角映射方法删除与正样本光谱相似的端元，其中e_i为选定的第i个端元；

对于选定的p个端元{e₁,e₂....,e_p}，若如式(1)：

则删除其对应的端元，其中x为由正样本集确定的平均光谱；

剩余端元组成负样本集。

上述流形降维方法包含

假设存在正训练样本集合{x₁,....,x_n}及负样本集合{x¹,....,x^m}，由此对于每个正样本x_i构建块，如式(2)：

式(2)中

为样本x_i在正样本集中的第j个最近邻，

为其负样本集中的第j个最近邻，根据降维后聚类准则，设其降维后的低维向量如式(3)：

则其准则函数可定义如式(4)：

若存在一线性映射，使Y_i＝UX_i，则式(4)可写为式(5)：

L_i为由权重调节参数β以及正负样本最近邻个数k,l所确定的常数矩阵，进一步，由流形局部坐标卡概念及块对齐准则，对于当前正样本集中所有样本形成其对应的块，并由此共同训练变换矩阵U，如式(6)：

根据变换矩阵U，选取差异度最大的5个波段为特征波段。

上述压缩感知方法包含：

定义一维随机信号x用x＝[x(l),x(2),x(3),...,x(N)]^T表示，x(i)代表向量中的元素，其中0≤i≤N；

定义N*1维向量基础为

且其中两两均为正交，向量基矩阵可以定义为Ψ＝{ψ₁,ψ₂,ψj,...,ψ_N}，则任意信号x均可以表示如式(7)：

x＝Ψx' (7)

在式(7)中，x'为x在稀疏基下的投影，若信号x'含有的非零元的个数小于或者等于k(k＜＜N)，则该信号可以成为是K-稀疏信号。

上权利要求1所述的基于压缩感知的快速目标识别方法，其特征在于，所述正交匹配追踪方法包含：

定义测量向量为v，测量矩阵为Φ，待测量为s，其中

输入：N*d维Φ，n维向量v，理想信号稀疏度m；

输出：重构信号

Λ_m包含元素{1,2,....d}；n维残差r_m＝v-a_m；

步骤：a)初始化r₀＝v,Λ₀＝0，迭代次数t＝1；

b)找出索引λ_t，满足：

c)Λ_t＝Λ_t-1∪{λ_t}和

其中Φ₀＝[]

d)求解x_t＝arg min_x||v-Φ_tx||；

e)令a_t＝Φ_tx_t，r_t＝v-a_t；其中r_t和Φ_t正交；

f)增大t，如果t＜m则返回步骤b)；

g)

的非零元素位置位于Λ_m记录的位置，

和x_t价值相同。

上述基于SVM分类器的目标识别方法包含：

对于利用先验光谱信息对高光谱图像进行图像分割，得到感兴趣的区域，并标记连通域；

在降维的高光谱图像中，对各个图像连通域统计其平均光谱；

将连通域平均光谱输入SVM分类器，对各个连通域进行整体目标检测识别，得到图像识别结果。

上述图像分割采用阈值分割方法，其包含：

确定阈值：正样本训练集

其中N_p为正样本数，可得到正样本平均光谱x_p如式(8)：

由此可定义阈值如式(9)：

将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。

上述SVM分类器训练方法包含：

设有训练样本集如式(10)：

(x₁,y₁),(x₂,y₂),…,(x_N,y_N)，x_i∈R^d，y_i∈{1,-1} (10)

其中每个样本是d维向量，y为类别编号，目标类为1，非目标类为-1.若这些样本是线性可分的，则存在超平面如式(11)：

g(x)＝(w·x)+b＝0 (11)

这里，w∈R^d是线性判别函数的权值，b是其中的常数项，(w·x)表示w与x内积；

最优超平面定义的分类决策函数如式(12)：

f(x)＝sgn(g(x))＝sgn((w·x)+b) (12)

其中，sgn()为符号函数。通过尺度调整，所有N个样本可以被超平面无误地分开，要求如式(13)：

即要求目标类样本中g(x)最小等于1，而非目标类样本中g(x_i)最大等于-1；

把样本类别标记带代入到约束条件中，可得到统一的约束条件如式(14)：

y_i[(w·x_i)+b]≥1,i＝1,2,...,N (14)

由此条件约束分类超平面的权值尺度变化，两类样本中离分类面最近的样本到分类面的距离称为分类间隔，最优超平面也称为最大间隔超平面，最优超平面的求解问题如式(15)：

利用训练样本集，训练最优分类超平面分类器。

一种基于压缩感知的快速目标识别系统，其特点是，该系统包含：

光谱降维模块，其采用光谱选择方法对训练样本光谱降维，并用训练样本训练SVM分类器；

稀疏变换模块，其采用压缩感知方法进行目标图像采样和稀疏变换；

图像分割模块，其对输入图像进行分割；

稀疏重构模块，其基于正交匹配追踪方法对经过图像分割、光谱降维和稀疏变换的输入图像进行压缩感知重构；

目标识别模块，其接收重构的图像采用SVM分类器进行目标识别。

本发明基于压缩感知的快速目标识别方法和系统和现有技术相比，其优点在于，本发明利用压缩感知算法进行采样和稀疏处理，降低数据后期计算量，能够突破采样频率的限制；

本发明结合光谱选择和目标识别算法，利用高光谱特征识别技术，将单元目标探测和多元成像探测相结合，同时利用光谱技术和成像技术，能够使探测单元具备目标识别能力，大大提高目标识别率，使目标识别的过程时间减少，并且其抗干扰能力非常突出。

附图说明

图1为本发明基于压缩感知的快速目标识别方法的流程图；

图2为本发明基于压缩感知的快速目标识别方法的光谱选择方法流程图；

图3为本发明基于压缩感知的快速目标识别方法的压缩感知流程图；

图4为本发明基于压缩感知的快速目标识别方法的OMP算法流程图。

具体实施方式

以下结合附图，进一步说明本发明的具体实施例。

如图1所示，为本发明公开的基于压缩感知的快速目标识别方法的一种实施例，该方法具体包含以下步骤：

S1、采用光谱选择方法对训练样本光谱降维，并用训练样本训练SVM分类器。利用高光谱特征识别技术，将单元目标探测和多元成像探测相结合，同时利用光谱技术和成像技术，能够使探测单元具备目标识别能力，大大提高目标识别率，并且其抗干扰能力非常突出。

如图2所示，光谱选择方法具体包含：

S1.1、首先从输入图像选取正样本集和负样本集作为训练样本。其中正样本集采用用户选定区域样本集合；负样本集采用用户选定或顶点成分分析方法(VCA)选择。

VCA算法基于凸面几何理论，假设数据中存在纯像元的情况下提取端元。VCA算法是一种端元逐次提取算法，前面提取的端元不依赖后面提取的端元，有效避免了在端元数目估计不正确的情况下，所提取的端元之间相互干扰的问题，而且该算法提取速度快，计算复杂度低。

该顶点成分分析方法具体包含：

首先设定选取端元个数，并选取端元集合{e₁,e₂....,e_p}。

对于选定的端元集合{e₁,e₂....,e_p}，利用光谱角映射(SAM)方法删除与正样本光谱相似的端元，其中e_i为选定的第i个端元。

本实施例中，对于选定的p个端元{e₁,e₂....,e_p}，若如式(1)：

则删除其对应的端元，其中

为由正样本集确定的平均光谱。剩余端元组成负样本集。

S1.2、本实施例中，对于训练样本集构成不同，可选择不同的光谱降维算法，确定训练样本集合后，当训练样本只有正样本集，采用PCA方法进行基于目标驱动(targetdriven)的特征波段选择。

S1.3、当训练样本包含负样本集，采用PCA方法或流形降维方法进行特征波段选择。

其中，流形降维是一种基于机器学习的特征选择和提取方法。流形是线性子空间的一种非线性推广，所谓流形(manifold)就是一般的几何对象的总称。和一般的降维分析一样，流形学习的目的在于寻找嵌入在高位观测空间的低维流形，即通常意义下的特征。本项目中，采用目标驱动的流形学习算法进行流形降维。不同于PCA算法，目标驱动的流形学习算法利用正样本及负样本信息。相对于PCA算法保持采样数据方差的最佳投影子空间，基于目标驱动的流形学习算法以目标分类为目的进行特征提取。具体的，流形降维方法包含：

假设存在正训练样本集合{x₁,....,x_n}及负样本集合{x¹,....,x^m}，由此对于每个正样本x_i构建块，如式(2)：

式(2)中

为样本x_i在正样本集中的第j个最近邻，

为其负样本集中的第j个最近邻，根据降维后聚类准则，设其降维后的低维向量如式(3)：

则其准则函数可定义如式(4)：

若存在一线性映射，使Y_i＝UX_i，则式(4)可写为式(5)：

L_i为由权重调节参数β以及正负样本最近邻个数k,l所确定的常数矩阵，进一步，由流形局部坐标卡概念及块对齐准则，对于当前正本训练集中所有样本形成其对应的块，并由此共同训练变换矩阵U，如式(6)：

根据变换矩阵U，选取对于新特征贡献最大，即差异度最大，的5个波段为特征波段。即可简单的确定所选择的特征波段。

S1.4、最后，对于选择特征波段分析并在进行光谱能量补偿，若选择的目标特征波段丢失了能量最大的波段，则将其波段补偿如特征波段集合以保证实际工程应用中的探测距离要求。

S2、采用压缩感知方法进行目标图像采样和稀疏变换，降低数据后期计算量。

压缩感知理论的一个重要研究内容是稀疏字典的构造问题，稀疏字典的构造对信号表示的稀疏性以及信号重构的性能有着直接影响。压缩感知可以实现目标识别的关键在于其稀疏表示的字典构造，也就是由所有训练样本组成稀疏字典的院子，将测试样本表示为训练样本的稀疏线性组合。

模式识别的基本问题是利用已知类别的训练样本将测试样本标记为正确的类别。如上所述，压缩感知应用在目标识别的第一步就是稀疏字典的构造。

如图3所示，压缩感知方法具体包含：

定义一维随机信号x用x＝[x(l),x(2),x(3),...,x(N)]^T表示，x(i)代表向量中的元素，其中0≤i≤N。

对于高维数据或者图像亦可通过展开来转化为简单的一维信号，但一般x未必是稀疏信号，为此，定义N*1维向量基础为

且其中两两均为正交，向量基矩阵可以定义为Ψ＝{ψ₁,ψ₂,ψ_j,...,ψ_N}，则任意信号x均可以表示如式(7)：

x＝Ψx' (7)

在式(7)中，x'为x在稀疏基下的投影，若信号x'含有的非零元(或非常接近零)的个数小于或者等于k(k＜＜N)，则该信号可以成为是K-稀疏信号。

另外，常用的稀疏变换基有：正交离散小波变换(DWT)、正交离散余弦变换(DCT)和傅里叶变换基等。稀疏基的选取情况视具体信号而定，正是因为稀疏基的存在使得压缩感知理论可以运用到较大规模的信号数据处理领域，扩展了压缩感知的应用范围。该部分也是压缩感知的基础。

观测矩阵的设计：在压缩感知理论中，观测矩阵的设计一直是算法的重中之重。学者们也对该部分展开了大量的研究工作。在任何的采样系统中，都希望通过K-稀疏信号将采样信息融合在测量矩阵中，且保证数据结构未发生变异，否则将无法重构出原始信号。

在科研人员的长期理论推导与总结中，科研人员详细介绍并证明了压缩感知矩阵Θ必须满足一致不确定准则(UUP：Uniform Uncertainty)，如式(16)：

UUP准则变化的表达形式能够说明压缩感知测量矩阵具有“约束等距特性”。在此基础上，我们能够通过变换得到其进一步的表达式(17)：

以上也被业内人士称为RIP准则。

需要说明的是UUP和RIP准则虽然是非常重要的性质，但并非是构成观测矩阵的充分必要条件，也有很多其他可以用来作为观测矩阵的矩阵并不能满足RIP准则。幸运的是在量子关联成像中用来构建观测矩阵的信号已被证实可以使用。

S3、图像分割：对于利用先验光谱信息对高光谱图像进行图像分割，得到感兴趣的区域，并标记连通域。

在计算机视觉领域，图像分割指的是将数字图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界(线，曲线等)。更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是：

输入图像I到输出图像G的如下变换，如式(18)：

其中，T为阈值，对于感兴趣区域G(i,j)＝1，对于背景区域G(i,j)＝0。

由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现)，它得到了广泛应用。

目标样本点光谱在某些特定不多上存在明显的峰值。然后再该波段上进行灰度值分割。由正样本训练集

其中N_p为正样本数，可得到正样本平均光谱x_p如式(8)：

由此可定义阈值如式(9)：

利用此阈值对于图像进行全局分割，可得到如下伪色彩图所示的分割图像，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域，其中不同的连通域由不同颜色表示。在降维的高光谱图像中，对各个图像连通域计算其平均光谱

S4、基于正交匹配追踪方法(OMP)进行压缩感知重构。

作为压缩感知最为重要的一环，目前国内外涌现的关于压缩感知理论的研究成果都出现在该部分，可见重构算法的重要地位，在该论文中，出于研究重心的考虑，不再做创新性的研究，应用的是目前比较典型的正交匹配追踪算法(Orthogonal MatchingPursuit，OMP)。

由第一部分可以看出，压缩感知恢复算法的灵魂在于求解一个线性方程组，由高等代数知识可知，如果，线性方程组有解，此时可通过迭代算法求解，但随着信号维数的增加，计算量也会成倍数增加，因此该问题变成了如何求解一个欠正定方程组的问题。目前重构算法可大致分为贪婪追踪算法、L1松弛算法、组合算法等。

目前针对贪婪追踪算法的研究较为深入，其主要代表算法包括:匹配追踪算法、稀疏自适应匹配追踪算法、正则化正交匹配追踪算法、正交匹配追踪算法、分段正交匹配追踪算法、和压缩采样匹配追踪算法。凸松弛算法的主要代表算法有:基追踪算法、最小全变差法、内点法、梯度投影算、凸集交替投影算法、迭代阈值法和迭代硬阈值算法。组合算法一般是通过对信号的结构化采样，然后通过分组完成整个信号的重构。链式追踪算法便是该分类中的一种算法。

正交匹配追踪算法(OMP)是贪婪算法的一种，该算法主要是通过循环迭代的方式寻找最优原子，然后在每次迭代结束之后，做施密特正交化处理来保证每次迭代残差都与前面的原子正交，以此保证选择原子最优性。OMP算法的输入是测量向量和测量矩阵。

如图4所示，正交匹配追踪方法包含：

定义测量向量为v，测量矩阵为Φ，待测量为s，其中

输入：N*d维Φ，n维向量v，理想信号稀疏度m；

输出：重构信号

Λ_m包含元素{1,2,....d}；n维残差r_m＝v-a_m；

步骤：a)初始化r₀＝v,Λ₀＝0，迭代次数t＝1；

b)找出索引λ_t，满足：

c)Λ_t＝Λ_t-1∪{λ_t}和

其中Φ₀＝[]

d)求解x_t＝arg min_x||v-Φ_tx||；

e)令a_t＝Φ_tx_t，r_t＝v-a_t；其中r_t和Φ_t正交；

f)增大t，如果t＜m则返回步骤b)；

g)

的非零元素位置位于Λ_m记录的位置，

和x_t价值相同。

S5、基于SVM分类器的目标识别方法。

其中，SVM分类器训练方法包含：

设有训练样本集如式(10)：

(x₁,y₁),(x₂,y₂),…,(x_N,y_N)，x_i∈R^d，y_i∈{1,-1} (10)

其中每个样本是d维向量，y为类别编号，目标类为1，非目标类为-1.若这些样本是线性可分的，则存在超平面如式(11)：

g(x)＝(w·x)+b＝0 (11)

这里，w∈R^d是线性判别函数的权值，b是其中的常数项，(w·x)表示w与x内积。

SVM分类器目的在于寻找一个最优分类超平面，其能够将训练样本没有错误的分开，并且训练样本中离超平面最近的样本与超平面之间的距离是最大的。

最优超平面定义的分类决策函数如式(12)：

f(x)＝sgn(g(x))＝sgn((w·x)+b) (12)

其中，sgn()为符号函数。通过尺度调整，所有N个样本可以被超平面无误地分开，要求如式(13)：

即要求目标类样本中g(x)最小等于1，而非目标类样本中g(x_i)最大等于-1。

把样本类别标记带代入到约束条件中，可得到统一的约束条件如式(14)：

y_i[(w·x_i)+b]≥1,i＝1,2,...,N (14)

由此条件约束分类超平面的权值尺度变化，两类样本中离分类面最近的样本到分类面的距离称为分类间隔，最优超平面也称为最大间隔超平面，最优超平面的求解问题如式(15)：

利用训练样本集，训练最优分类超平面分类器。

经过上述训练，为了提高算法实时性，减少计算复杂度，相对于将高光谱图像进行逐像素点判别，本实施例将各个连通域的平均光谱送入SVM分类器，得到的分类结果作为其连通域的整体分类结果，对各个连通域进行整体目标检测识别，得到图像识别结果。

本发明还公开了一种基于压缩感知的快速目标识别系统，该系统包含：光谱降维模块、稀疏变换模块、图像分割模块、稀疏重构模块和目标识别模块。

光谱降维模块用于采用光谱选择方法对训练样本光谱降维，并用训练样本训练SVM分类器。

稀疏变换模块用于采用压缩感知方法进行目标图像采样和稀疏变换。

图像分割模块用于对输入图像进行分割。

稀疏重构模块用于基于正交匹配追踪方法对经过图像分割、光谱降维和稀疏变换的输入图像进行压缩感知重构。

目标识别模块用于接收重构的图像采用SVM分类器进行目标识别。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (7)

1.一种基于压缩感知的快速目标识别方法，其特征在于，该方法包含：

训练时，采用光谱选择方法对训练样本光谱降维，用降维后的训练样本训练SVM分类器；

识别时，利用先验光谱信息对目标图像进行图像分割，得到感兴趣的区域，并标记连通域；

采用压缩感知方法进行目标图像采样和稀疏变换，对各个图像连通域统计其经过光谱降维后的平均光谱；

将经过光谱降维后的平均光谱基于正交匹配追踪方法进行压缩感知重构，获得重构的平均光谱；

重构的平均光谱输入SVM分类器，对各个连通域进行整体目标检测识别，得到目标图像识别结果；

所述光谱选择方法包含：

从输入图像选取正样本集和负样本集作为训练样本，正样本集采用用户选定区域样本集合，负样本集采用用户选定或顶点成分分析方法选择；

当训练样本只有正样本集，采用PCA方法进行特征波段选择；

当训练样本包含负样本集，采用PCA方法或流形降维方法进行特征波段选择；

对选择的特征波段进行分析和光谱能量补偿；

所述压缩感知方法包含：

定义一维随机信号x用x＝[x(l),x(2),x(3),...,x(N)]^T表示，x(i)代表向量中的元素，其中0≤i≤N；

定义N*1维向量基础为

且其中两两均为正交，向量基矩阵可以定义为Ψ＝{ψ₁,ψ₂,ψ_j,...,ψ_N}，则任意信号x均可以表示如式(7)：

x＝Ψx' (7)

在式(7)中，x'为x在稀疏基下的投影，若信号x'含有的非零元的个数小于或者等于k，k＜＜N，则该信号可以成为是K-稀疏信号。

2.如权利要求1所述的基于压缩感知的快速目标识别方法，其特征在于，所述顶点成分分析方法包含：

首先设定选取端元个数，并选取端元集合{e₁,e₂....,e_p}；

对于选定的端元集合{e₁,e₂....,e_p}，利用光谱角映射方法删除与正样本光谱相似的端元，其中e_i为选定的第i个端元；

对于选定的p个端元{e₁,e₂....,e_p}，若如式(1)：

则删除其对应的端元，其中

为由正样本集确定的平均光谱；

剩余端元组成负样本集。

3.如权利要求1所述的基于压缩感知的快速目标识别方法，其特征在于，所述流形降维方法包含

假设存在正训练样本集合{x₁,....,x_n}及负样本集合{x¹,....,x^m}，由此对于每个正样本x_i构建块，如式(2)：

式(2)中

为样本x_i在正样本集中的第j个最近邻，

为其负样本集中的第j个最近邻，根据降维后聚类准则，设其降维后的低维向量如式(3)：

则其准则函数可定义如式(4)：

若存在一线性映射，使Y_i＝UX_i，则式(4)可写为式(5)：

L_i为由权重调节参数β以及正负样本最近邻个数k,l所确定的常数矩阵，进一步，由流形局部坐标卡概念及块对齐准则，对于当前正样本集中所有样本形成其对应的块，并由此共同训练变换矩阵U，如式(6)：

根据变换矩阵U，选取差异度最大的5个波段为特征波段。

4.如权利要求1所述的基于压缩感知的快速目标识别方法，其特征在于，所述正交匹配追踪方法包含：

定义测量向量为v，测量矩阵为Φ，待测量为s，其中

输入：N*d维Φ，n维向量v，理想信号稀疏度m；

输出：重构信号

Λ_m包含元素{1,2,....d}；n维残差r_m＝v-a_m；

步骤：a)初始化r₀＝v,Λ₀＝0，迭代次数t＝1；

b)找出索引λ_t，满足：

c)Λ_t＝Λ_t-1∪{λ_t}和

其中Φ₀＝[]

d)求解x_t＝argmin_x||v-Φ_tx||；

e)令a_t＝Φ_tx_t，r_t＝v-a_t；其中r_t和Φ_t正交；

f)增大t，如果t＜m则返回步骤b)；

g)

的非零元素位置位于Λ_m记录的位置，

和x_t价值相同。

5.如权利要求1所述的基于压缩感知的快速目标识别方法，其特征在于，所述图像分割采用阈值分割方法，其包含：

确定阈值：正样本训练集

其中N_p为正样本数，可得到正样本平均光谱x_p如式(8)：

由此可定义阈值如式(9)：

将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。

6.如权利要求1所述的基于压缩感知的快速目标识别方法，其特征在于，所述SVM分类器训练方法包含：

设有训练样本集如式(10)：

(x₁,y₁),(x₂,y₂),…,(x_N,y_N)，x_i∈R^d，y_i∈{1,-1} (10)

其中每个样本是d维向量，y为类别编号，目标类为1，非目标类为-1.若这些样本是线性可分的，则存在超平面如式(11)：

g(x)＝(w·x)+b＝0 (11)

这里，w∈R^d是线性判别函数的权值，b是其中的常数项，(w·x)表示w与x内积；

最优超平面定义的分类决策函数如式(12)：

f(x)＝sgn(g(x))＝sgn((w·x)+b) (12)

其中，sgn()为符号函数，通过尺度调整，所有N个样本可以被超平面无误地分开，要求如式(13)：

即要求目标类样本中g(x)最小等于1，而非目标类样本中g(x_i)最大等于-1；

把样本类别标记带代入到约束条件中，可得到统一的约束条件如式(14)：

y_i[(w·x_i)+b]≥1,i＝1,2,...,N (14)

由此条件约束分类超平面的权值尺度变化，两类样本中离分类面最近的样本到分类面的距离称为分类间隔，最优超平面也称为最大间隔超平面，最优超平面的求解问题如式(15)：

s.t.y_i[(w·x_i)+b]-1≥0,i＝1,2,...,N (15)

利用训练样本集，训练最优分类超平面分类器。

7.一种适用于权利要求1至6中任意一项权利要求所述基于压缩感知的快速目标识别方法的快速目标识别系统，其特征在于，该系统包含：

光谱降维模块，其采用光谱选择方法对训练样本光谱降维，并用训练样本训练SVM分类器；

稀疏变换模块，其采用压缩感知方法进行目标图像采样和稀疏变换；

图像分割模块，其对输入图像进行分割；

稀疏重构模块，其基于正交匹配追踪方法对经过图像分割、光谱降维和稀疏变换的输入图像进行压缩感知重构；

目标识别模块，其接收重构的图像采用SVM分类器进行目标识别。

Images