CN106557784B - 基于压缩感知的快速目标识别方法和系统 - Google Patents
基于压缩感知的快速目标识别方法和系统 Download PDFInfo
- Publication number
- CN106557784B CN106557784B CN201611040937.7A CN201611040937A CN106557784B CN 106557784 B CN106557784 B CN 106557784B CN 201611040937 A CN201611040937 A CN 201611040937A CN 106557784 B CN106557784 B CN 106557784B
- Authority
- CN
- China
- Prior art keywords
- target
- compressed sensing
- spectrum
- training
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
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
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....,ep};
对于选定的端元集合{e1,e2....,ep},利用光谱角映射方法删除与正样本光谱相似的端元,其中ei为选定的第i个端元;
对于选定的p个端元{e1,e2....,ep},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,....,xn}及负样本集合{x1,....,xm},由此对于每个正样本xi构建块,如式(2):
则其准则函数可定义如式(4):
若存在一线性映射,使Yi=UXi,则式(4)可写为式(5):
Li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;
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:
输入:N*d维Φ,n维向量v,理想信号稀疏度m;
步骤:a)初始化r0=v,Λ0=0,迭代次数t=1;
d)求解xt=arg minx||v-Φtx||;
e)令at=Φtxt,rt=v-at;其中rt和Φt正交;
f)增大t,如果t<m则返回步骤b);
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:
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),…,(xN,yN),xi∈Rd,yi∈{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∈Rd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(xi)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):
yi[(w·xi)+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....,ep}。
对于选定的端元集合{e1,e2....,ep},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ei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....,ep},若如式(1):
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,....,xn}及负样本集合{x1,....,xm},由此对于每个正样本xi构建块,如式(2):
则其准则函数可定义如式(4):
若存在一线性映射,使Yi=UXi,则式(4)可写为式(5):
Li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,ψj,...,ψN},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。
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:
输入:N*d维Φ,n维向量v,理想信号稀疏度m;
步骤:a)初始化r0=v,Λ0=0,迭代次数t=1;
d)求解xt=arg minx||v-Φtx||;
e)令at=Φtxt,rt=v-at;其中rt和Φt正交;
f)增大t,如果t<m则返回步骤b);
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),…,(xN,yN),xi∈Rd,yi∈{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∈Rd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(xi)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):
yi[(w·xi)+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;
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。
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,....,xn}及负样本集合{x1,....,xm},由此对于每个正样本xi构建块,如式(2):
则其准则函数可定义如式(4):
若存在一线性映射,使Yi=UXi,则式(4)可写为式(5):
Li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:
输入:N*d维Φ,n维向量v,理想信号稀疏度m;
步骤:a)初始化r0=v,Λ0=0,迭代次数t=1;
d)求解xt=argminx||v-Φtx||;
e)令at=Φtxt,rt=v-at;其中rt和Φt正交;
f)增大t,如果t<m则返回步骤b);
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),…,(xN,yN),xi∈Rd,yi∈{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∈Rd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(xi)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):
yi[(w·xi)+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.yi[(w·xi)+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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611040937.7A CN106557784B (zh) | 2016-11-23 | 2016-11-23 | 基于压缩感知的快速目标识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611040937.7A CN106557784B (zh) | 2016-11-23 | 2016-11-23 | 基于压缩感知的快速目标识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106557784A CN106557784A (zh) | 2017-04-05 |
CN106557784B true CN106557784B (zh) | 2020-05-01 |
Family
ID=58444953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611040937.7A Active CN106557784B (zh) | 2016-11-23 | 2016-11-23 | 基于压缩感知的快速目标识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106557784B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107345927B (zh) * | 2017-01-21 | 2021-02-19 | 北京理工大学 | 一种用于机器人自主环境感知的介质材料识别装置 |
CN107220991A (zh) * | 2017-05-12 | 2017-09-29 | 深圳市美好幸福生活安全系统有限公司 | 一种基于压缩感知的实时目标跟踪算法 |
CN107403628B (zh) * | 2017-06-30 | 2020-07-10 | 天津大学 | 一种基于压缩感知的语音信号重构方法 |
CN107273908B (zh) * | 2017-07-06 | 2019-09-06 | 清华大学深圳研究生院 | 一种基于压缩感知的目标识别方法 |
CN107689795B (zh) * | 2017-07-10 | 2020-08-18 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于实时压缩感知的多地区电力控制方法 |
CN109389137B (zh) * | 2017-08-08 | 2022-04-22 | 南京大学 | 一种基于光谱特征的视觉追踪方法 |
CN107590472B (zh) * | 2017-09-19 | 2024-04-05 | 中国科学院西安光学精密机械研究所 | 基于推扫式光谱成像仪的光谱分类器及分类方法 |
CN108171122A (zh) * | 2017-12-11 | 2018-06-15 | 南京理工大学 | 基于全卷积网络的高光谱遥感图像的分类方法 |
CN109344698B (zh) * | 2018-08-17 | 2021-09-03 | 西安电子科技大学 | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 |
CN109509180B (zh) * | 2018-10-24 | 2021-12-10 | 东华大学 | 基于机器视觉的金属纽扣瑕疵检测方法 |
CN110175976A (zh) * | 2019-01-23 | 2019-08-27 | 上海应用技术大学 | 基于机器视觉的crtsⅱ板式无砟轨道裂缝检测分类方法 |
CN110414438A (zh) * | 2019-07-30 | 2019-11-05 | 西南交通大学 | 基于空间聚类信息修正的高光谱图像识别方法 |
CN112100572B (zh) * | 2020-08-14 | 2021-07-06 | 北京大学 | 人机物的无线边缘感知点云提取与识别方法与系统 |
CN112329654B (zh) * | 2020-11-10 | 2021-05-28 | 中国地震局地震预测研究所 | 基于多流形学习算法的高光谱影像数据分类方法及系统 |
CN114004960B (zh) * | 2021-11-17 | 2024-06-18 | 湖南大学 | 一种医药检测的高光谱双模成像系统及方法 |
CN115359075B (zh) * | 2022-10-24 | 2023-03-24 | 济南霍兹信息科技有限公司 | 基于云计算的软件开发应用数据处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651073A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于稀疏动态集成选择的sar图像地物分类方法 |
CN104881677A (zh) * | 2015-05-08 | 2015-09-02 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
CN105956611A (zh) * | 2016-04-25 | 2016-09-21 | 西安电子科技大学 | 基于鉴别非线性字典学习的sar图像目标识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9905008B2 (en) * | 2013-10-10 | 2018-02-27 | University Of Rochester | Automated fundus image field detection and quality assessment |
-
2016
- 2016-11-23 CN CN201611040937.7A patent/CN106557784B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651073A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于稀疏动态集成选择的sar图像地物分类方法 |
CN104881677A (zh) * | 2015-05-08 | 2015-09-02 | 北京师范大学 | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 |
CN105956611A (zh) * | 2016-04-25 | 2016-09-21 | 西安电子科技大学 | 基于鉴别非线性字典学习的sar图像目标识别方法 |
Non-Patent Citations (2)
Title |
---|
Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit;Joel A. Tropp et.al;《IEEE TRANSACTIONS ON INFORMATION THEORY》;20071231;第53卷(第12期);第4655-4666页 * |
Sparse Transfer Manifold Embedding for Hyperspectral Target Detection;Lefei Zhang et.al;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20140228;第52卷(第2期);第1031-1034页,第2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN106557784A (zh) | 2017-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106557784B (zh) | 基于压缩感知的快速目标识别方法和系统 | |
Liu et al. | Multiview dimension reduction via Hessian multiset canonical correlations | |
Jia et al. | Gabor feature-based collaborative representation for hyperspectral imagery classification | |
Majumdar et al. | Robust classifiers for data reduced via random projections | |
Duan et al. | Local manifold-based sparse discriminant learning for feature extraction of hyperspectral image | |
CN102902979B (zh) | 一种合成孔径雷达自动目标识别的方法 | |
CN105608478B (zh) | 一种图像的特征提取与分类联合方法及系统 | |
CN112836671B (zh) | 一种基于最大化比率和线性判别分析的数据降维方法 | |
Xu et al. | Local polynomial contrast binary patterns for face recognition | |
CN110097499B (zh) | 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法 | |
Zhang et al. | Fusion of multifeature low-rank representation for synthetic aperture radar target configuration recognition | |
Wei et al. | Joint learning sparsifying linear transformation for low-resolution image synthesis and recognition | |
Su et al. | Low-rank tensor completion by sum of tensor nuclear norm minimization | |
CN104715266A (zh) | 基于src-dp与lda相结合的图像特征提取方法 | |
Salhov et al. | Approximately-isometric diffusion maps | |
Li | Curvature-aware manifold learning | |
Chen et al. | Registration of multimodal images with edge features and scale invariant PIIFD | |
Ganesan | Maximin distance based band selection for endmember extraction in hyperspectral images using simplex growing algorithm | |
CN106199544B (zh) | 基于核鉴别局部切空间排列的雷达目标距离像识别方法 | |
Meng et al. | A general framework for understanding compressed subspace clustering algorithms | |
Zhang et al. | Multi-separable dictionary learning | |
Wang et al. | Feature extraction for hyperspectral images using low-rank representation with neighborhood preserving regularization | |
CN108304833A (zh) | 基于mblbp和dct-bm2dpca的人脸识别方法 | |
Wen et al. | Feature extraction of hyperspectral images based on preserving neighborhood discriminant embedding | |
CN112163540A (zh) | 一种基于WiFi的姿态识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |