CN107145850A - 一种基于稀疏滤波特征选择的目标识别方法 - Google Patents

Abstract

本发明公开了一种基于稀疏滤波特征选择的目标识别方法，该方法主要应用于飞机目标的识别，方法包括：建立飞机遥感图像的数据库并使用多种不变性特征提取飞机目标遥感图像的组合特征，然后对组合特征进行归一化和非线性变换，再使用稀疏滤波算法进行特征选择，降低组合特征维度，去除冗余特征，最后训练支持向量机模型进行飞机目标的识别。采用本方法可以去除飞机目标的旋转、遮挡对识别结果的影响，而且由于因此该方法具有较强的鲁棒性和泛化能力，因此还可以应用在多种目标识别领域。

Description

一种基于稀疏滤波特征选择的目标识别方法

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于稀疏滤波特征选择的目标 识别方法。

背景技术

军事领域中，传统的陆军地位不断被削弱，空军的崛起使得飞机目标识别的 意义十分重大。而飞机作为首要的军事侦察与打击对象之一，对敌方机场遥感图 像中的飞机动态变化进行掌控，提取飞机目标的特征并进行分类识别，确定各类 飞机数目，以知晓敌方空中力量，对推测作战方式与意图、推进军事行动具有十 分重要的意义。

目前，飞机目标遥感图像的识别方法，主要是根据飞机图像的外形轮廓信息 寻找近似不变性特征，并结合各种分类器进行飞机机型的判定。常见类别的不变 性特征有Hu矩、仿射矩、Zernike矩、小波矩、角点特征、SIFT特征等。然而 采用单一类别的不变性特征，容易满足某些特定应用环境的识别要求，而对其他 应用环境的识别效果较差。因此在单一不变性特征特区的基础上，近年来将各种 不变性特征进行组合，形成高维的组合不变性特征。但是组合不变性特征的多个 特征之间不可避免的会存在线性关系，造成特征冗余，浪费特征资源，且特征维 数较高，容易造成“维数灾难”，使得识别效率低下。

一般来说，大部分的无监督特征选择方法都是试图对训练数据的真实分布建 模。也就是说，无监督特征选择方法就是学习一个模型，这个模型描述的就是数 据真实分布的一种近似。例如，稀疏编码、受限玻尔兹曼机(RBMs)、独立成分 分析(ICA)等。这些方法都可以取得不错的效果，但是，它们都需要调节很多参 数。比如说学习速率、动量、稀疏度惩罚系数和权值衰减系数等。而这些参数最 终的确定需要通过交叉验证获得，需要耗费大量的时间。虽然ICA只需要调节 一个参数，但它对于高维输入或者很大的特征集来说，拓展能力较弱。

发明内容

针对上述技术已有的不足，本发明的目的在于提出一种基于稀疏滤波特征选 择的目标识别方法，用于优化组合不变矩特征实现飞机目标的识别，提高飞机目 标遥感图像的分类精度。

为达到上述目的，本发明采用以下技术方案予以实现。

一种基于稀疏滤波特征选择的目标识别方法，包括以下步骤：

1)建立飞机遥感图像的数据库，并将其划分为训练数据集x和测试样本集 y；

2)提取训练数据集x中飞机目标遥感图像的特征，包括图像的熵、归一化 转动变量NMI、Hu矩、Fourier描述子和Zernike矩，将飞机目标遥感图像的特 征进行归一化，组成飞机目标遥感图像的组合不变性特征X∈R^m×n，其中m和n分 别为图像数量维数和特征维数；

3)利用组合不变性特征X训练稀疏字典D∈R^n×l，使用稀疏滤波方法进行 特征选择，减少特征的维度，得到紧凑的特征表达F，其中l表示特征选择后的 特征维数；

4)利用优化后的特征F训练基于RBF核的SVM分类器，得到用于飞机目 标识别的分类器模型；

5)按步骤2～3)的方法提取测试样本集y的组合不变性特征进行特征选 择，将得到的非线性变换特征输入经过步骤4)训练的SVM分类器进行分类， 得到最终的测试结果。

所述步骤1)中建立的飞机遥感图像数据库共包含8类飞机遥感图像，每类 88幅，共704幅128*128的二值图像；在数据库中，不仅包括了旋转不同角度 的飞机图像，而且还包括部分位置被遮挡的遥感飞机图像；从每类飞机图像中随 机选择38幅图像组成训练集x，剩余的50幅图像组成测试集y。

所述步骤2)提取训练集中遥感飞机图像的熵值、归一化转动变量NMI、 Fourier描述子、Hu矩和Zernike矩作为飞机图像的组合不变性特征；其中，特 征融合时所用的归一化公式如公式(Ⅰ)所示：

所述步骤3)包括以下步骤：

3.1)对组合不变性特征X进行非线性变换，得到映射特征矩阵F，其非线性 变换公式如式(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表示映射特征矩阵，且F的第i 行值对应第i幅图像的特征向量，第j列值表示不同图像的第j个特征，l表示特 征选择后的特征维数；

3.2)对进行特征矩阵F进行稀疏约束，求得稀疏字典D，具体步骤包括：

3.2.1)每一个特征除以其在所有样本的二范数，如式(Ⅲ)所示：

3.2.2)对步骤3.2.1)得到的每个样本的特征进行归一化，如式(Ⅳ)所示：

3.2.3)对步骤3.2.2)归一化后得到的特征矩阵F2进行稀疏约束，求得稀疏 字典，如式(Ⅴ)所示：

D＝min_D||F₂||₁ (Ⅴ)。

所述步骤4)中，把特征选择后的组合不变性特征F作为输入，利用k折交叉 验证法进行网格寻优搜索来实现基于RBF核的SVM的参数寻优，然后使用寻优 得到的最佳参数C和λ训练SVM分类器。

所述步骤5)包括以下步骤：

5.1)提取测试样本集y的组合不变性特征并进行与训练阶段相同的归一 化；

5.2)利用训练阶段获得的稀疏字典D，采用与训练集x相同的非线性变换方 法进行特征选择，得到非线性变换特征

5.3)将特征输入到经过训练的SVM分类器中进行分类，得到最终的识别 结果。

本发明的有益效果是：

本发明使用基于稀疏滤波的特征选择算法，仅需要调节较少的参数，就可以 得到最好的特征表达，减少了特征维数，降低了特征冗余，提高了识别速度和精 度。通过基于组合不变矩的特征提取方法，消除了飞机遥感图像中平移、旋转、 遮挡等现象对识别结果造成的影响，提高了算法的鲁棒性。而且由于使用基于 RBF的SVM分类模型进行识别，因此在小样本的情况下依然可以取得较好的识 别效果。

附图说明

图1是本发明实现的流程图；

图2是本发明的识别结果。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步阐述，但是本发明不局限于 以下实施例。

参照图1，本发明的实现步骤如下。

第一步、建立飞机遥感图像的数据库，并将其划分为训练数据集x和测试样 本集y；

其中建立的飞机遥感图像数据库共包含8类飞机遥感图像，每类88幅，共 704幅128*128的二值图像。在数据库中，不仅包括了旋转不同角度的飞机图像， 而且还包括部分位置被遮挡的遥感飞机图像。从每类飞机图像中随机选择38幅 图像组成训练集x，剩余的50幅图像组成测试集y。

第二步、提取训练数据集x中飞机目标遥感图像的特征，提取得到的特征分 别为图像的熵、归一化转动变量(NMI)、Hu矩、Fourier描述子和Zernike矩，归 一化后组成飞机目标遥感图像的组合不变性特征X∈R^m×n，其中m和n分别为图 像数量和特征维数；

具体细节为依次提取训练集中遥感飞机图像的熵值、归一化转动变量 (NMI)、Fourier描述子、Hu矩和Zernike矩作为飞机图像的组合不变性特征，其 中特征融合时所用的归一化公式为：

第三步、利用组合不变矩X训练稀疏字典D∈R^n×l，，使用稀疏滤波方法进 行特征选择，减少特征的维度，得到紧凑的特征表达F,其中l表示特征选择后 的特征维数；

优选地，第三步具体包括以下步骤：

3.1)对组合不变性特征X进行非线性变换得到的映射特征矩阵F表示为：

F＝log(1+(XD)²) (Ⅱ)；

其中，D∈R^m×n表示稀疏字典，F∈R^l×m表示映射特征矩阵，且F的第i 行值对应第i幅图像的特征向量，第j列值表示不同图像的第j个特征，l表示特 征选择后的特征维数；

3.2)对进行特征矩阵F进行稀疏约束，求得稀疏字典D：

首先，每一个特征除以其在所有样本的二范数：

然后再归一化每个样本的特征：

最后对归一化后的特征矩阵F₂进行稀疏约束，求得稀疏字典：

D＝min_D||F₂||₁ (Ⅴ)。

第四步、利用优化后的特征F训练基于RBF核的SVM分类器，得到用于飞 机目标识别的分类器模型；

具体细节为，把特征选择后的组合不变性特征F作为输入，利用k折交叉验 证法进行网格寻优搜索来实现基于RBF核的SVM的参数寻优，然后使用寻优得 到的最佳参数C和λ训练SVM分类器。

第五步、提取测试样本集y的组合不变性特征并进行特征选择，然后输入 SVM分类器进行分类，得到最终的测试结果；

优选地，第五步具体包括以下步骤：

5.1)提取测试样本集y的组合不变性特征并进行与训练阶段相同的归一 化；

5.2)利用训练阶段获得的稀疏字典D，采用与训练集x相同的非线性变换方 法进行特征选择，得到非线性变换特征

5.3)将特征输入到SVM分类器中进行分类，得到最终的识别结果。

本发明的原理是：采用基于组合不变矩的特征提取方法和基于稀疏滤的特征 选择算法，提取飞机遥感图像的最优特征组合，然后使用得到的组合特征训练基 于RBF核的SVM分类模型进行目标识别。通过这种方式能够提取到最优组合特 征并大大减少特征数量，提高目标识别的精度和速度。

由于图像的熵、归一化转动变量(NMI)、Hu矩、Fourier描述子和Zernike矩 都是几何不变性特征，具有旋转、平移、尺度等的不变特征，而基于稀疏滤波的 特征选择算法进一步优化了特征组合，保留了组合特征的不变特征性，因此本发 明在平移、旋转、遮挡后的飞机目标图像上依然可以取得较好的识别效果。

本发明的效果可以通过以下仿真实验进一步说明。

1.仿真实验条件。

本实验采用包含8类飞机类型的遥感图像数据集作为实验数据，采用软件MATLAB2015a作为仿真工具，计算机配置为CPU：IntelCorei7/2.10Hz，GPU： GT640M/2G，RAM：8G。

飞机遥感图像数据集包含8类军用飞机：A-10、B-1B、B-52、F-14、F-111、 Mirage-2000、Mirage-F1和SAAB-37，各88张图片，每张图片尺寸为128×128， 如图2所示，其中图2(a)表示A-10，图2(b)表示B-1B，图2(c)表示B-52，图2(d) 表示F-14，图2(e)表示F-111，图2(f)表示Mirage-2000，图2(g)表示Mirage-F1， 图2(h)表示SAAB-37。

2.仿真实验内容

为了测试特征选择对识别性能的影响，同时验证在训练样本较少和较多情况 下的识别能力，从每类飞机图像的训练集中任意选取10，15，20，25，30和35 幅图像，而测试集中的所有图像作为测试图像，然后提取组合不变性特征，分别 使用特征选择前和稀疏滤波特征选择后的不变性特征训练基于RBF核的SVM分 类器，运行100次后得到的平均识别率结果和平均运行时间见表1，表1为特征 选择前后识别率与运行时间变化对比结果。

表1

由表1可以看出，提取的组合不变性特征可以实现较好的识别效果，而经过 稀疏滤波特征选择后，识别效果会得到进一步很大的改善。

Claims (6)

1.一种基于稀疏滤波特征选择的目标识别方法，其特征在于，包括以下步骤：

1)建立飞机遥感图像的数据库，并将其划分为训练数据集x和测试样本集y；

2)提取训练数据集x中飞机目标遥感图像的特征，包括图像的熵、归一化转动变量NMI、Hu矩、Fourier描述子和Zernike矩，将飞机目标遥感图像的特征进行归一化，组成飞机目标遥感图像的组合不变性特征X∈R^m×n，其中m和n分别为图像数量维数和特征维数；

3)利用组合不变性特征X训练稀疏字典D∈R^n×l，使用稀疏滤波方法进行特征选择，减少特征的维度，得到紧凑的特征表达F，其中l表示特征选择后的特征维数；

4)利用优化后的特征F训练基于RBF核的SVM分类器，得到用于飞机目标识别的分类器模型；

5)按步骤2～3)的方法提取测试样本集y的组合不变性特征进行特征选择，将得到的非线性变换特征输入经过步骤4)训练的SVM分类器进行分类，得到最终的测试结果。

2.根据权利要求1所述的一种基于稀疏滤波特征选择的目标识别方法，其特征在于，所述步骤1)中建立的飞机遥感图像数据库共包含8类飞机遥感图像，每类88幅，共704幅128*128的二值图像；在数据库中，不仅包括了旋转不同角度的飞机图像，而且还包括部分位置被遮挡的遥感飞机图像；从每类飞机图像中随机选择38幅图像组成训练集x，剩余的50幅图像组成测试集y。

3.根据权利要求1所述的一种基于稀疏滤波特征选择的目标识别方法，其特征在于，所述步骤2)提取训练集中遥感飞机图像的熵值、归一化转动变量NMI、Fourier描述子、Hu矩和Zernike矩作为飞机图像的组合不变性特征；其中，特征融合时所用的归一化公式如公式(Ⅰ)所示：

4.根据权利要求1所述的一种基于稀疏滤波特征选择的目标识别方法，其特征在于，所述步骤3)包括以下步骤：

3.1)对组合不变性特征X进行非线性变换，得到映射特征矩阵F，其非线性变换公式如式(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表示映射特征矩阵，且F的第i行值对应第i幅图像的特征向量，第j列值表示不同图像的第j个特征，l表示特征选择后的特征维数；

3.2)对进行特征矩阵F进行稀疏约束，求得稀疏字典D，具体步骤包括：

3.2.1)每一个特征除以其在所有样本的二范数，如式(Ⅲ)所示：

3.2.2)对步骤3.2.1)得到的每个样本的特征进行归一化，如式(Ⅳ)所示：

3.2.3)对步骤3.2.2)归一化后得到的特征矩阵F₂进行稀疏约束，求得稀疏字典，如式(Ⅴ)所示：

D＝min_D||F₂||₁ (Ⅴ)。

5.根据权利要求1所述的一种基于稀疏滤波特征选择的目标识别方法，其特征在于，所述步骤4)中，把特征选择后的组合不变性特征F作为输入，利用k折交叉验证法进行网格寻优搜索来实现基于RBF核的SVM的参数寻优，然后使用寻优得到的最佳参数C和λ训练SVM分类器。

6.根据权利要求1所述的一种基于稀疏滤波特征选择的目标识别方法，其特征在于，所述步骤5)包括以下步骤：

5.1)提取测试样本集y的组合不变性特征并进行与训练阶段相同的归一化；

5.2)利用训练阶段获得的稀疏字典D，采用与训练集x相同的非线性变换方法进行特征选择，得到非线性变换特征

5.3)将特征输入到经过训练的SVM分类器中进行分类，得到最终的识别结果。