CN109117850B - 利用可见光目标图像进行相应红外目标图像的识别方法 - Google Patents

Abstract

本发明公开一种利用可见光目标图像进行相应红外目标图像的识别方法，包括：原始图像目标的大小调整；原始图像目标的HOG特征提取；正负样本的均衡化；计算核矩阵与交叉核矩阵；目标域核矩阵本征分解；辅助域的插值本征向量；二次规划求解迁移本征谱参数；计算域不变核矩阵；使用辅助域不变核矩阵与标签训练辅助域SVM；使用目标域不变核矩阵与标签以及辅助域SVM参数学习目标域SVM参数；得到目标域SVM参数，从而实现红外目标的识别。本发明方法能处理不同采集情况下获取的红外目标图像，快速、有效地识别红外目标，识别后的结果方便使用者的其他应用。

Description

利用可见光目标图像进行相应红外目标图像的识别方法

技术领域

本发明属于图像识别领域，具体涉及的是一种利用可见光目标图像进行相应红外目标图像的识别方法。

背景技术

视觉目标识别，又称关于视觉图像的模式识别，旨在利用图像处理与模式识别领域的理论和方法，确定图像中是否存在感兴趣的目标，如果存在则为目标赋予合理的解释，并且还要确定其位置。在计算机视觉的研究中，目标识别是最基本的研究问题之一。近年来，目标识别技术受到越来越多的重视，在很多领域得到极大发展和应用。包括安防领域的人脸识别、行人检测、智能视频分析等；交通领域的交通场景目标识别、车辆计数、逆行检测、车牌检测和识别；以及互联网领域的基于内容的图像检索、相册自动归类等。所以，图像目标识别具有重要的研究意义，且其研究成果具有非常广阔的应用前景。

目前，国内外有很多针对目标识别的研究进展分析，例如针对空间目标、空中目标的雷达目标识别及机场跑道目标的遥感目标识别，针对地面建筑物目标、车辆、船舶等目标的识别，等等。常见的目标识别算法包括，基于图像分割的目标识别算法，基于特征模型匹配的目标识别算法，基于机器学习的目标识别算法，基于深度神经网络的目标识别算法，等等。其中，基于机器学习和深度学习的目标识别算法近年来取得了较好的识别效果，得到了广泛的研究与发展。然而，为了保证训练得到的模型具有准确性和高可靠性，基于机器学习的算法都基于两个基本假设：1)用于学习的训练样本与新的测试样本要满足独立同分布的条件；2)必须由足够的可利用训练样本才能得到一个好的识别模型。在实际应用中发现，这两个条件往往无法满足。首先，随着时间的推移，原先可利用的有标签的样本数据可能变得不可用，与新来的测试样本的分布产生语义、分布上的缺口。此外，有标签的样本数据往往很匮乏，而且很难获得，特定目标的识别中，已有的目标训练样本已经不足以训练得到一个可靠的分类模型，而标注大量的样本又非常费时费力，而且由于人的主观因素容易出错，而相反的，目标的可见光、或者建模得到的模型图像是可以大量获取的，传统的目标识别方法无法从异源图像中直接学习目标的特性，因此无法适应于上述的应用场景。因此，如何从将从其他来源的图像中学习到的目标特性迁移到检测目标所在的图像类型中，是需要解决的主要问题。

近年来，迁移学习已经引起了广泛的关注和研究，它放宽了传统机器学习中的两个基本假设，目的是迁移已有的知识来解决目标域中仅有少量有标签样本数据甚至没有的学习问题。

发明内容

本发明针对有少量红外目标图像情景下引起的图像目标分类识别质量较低的问题，提出一种利用可见光目标图像进行相应红外目标图像的识别方法，使目标分类识别的质量更加精确，方便使用者更加准确地用于其他应用。

本发明是通过以下技术方案来实现的：

一种利用可见光目标图像进行相应红外目标图像的识别方法，包括利用目标的可见光灰度图像与红外灰度图像，其特征在于，包括：

对原始目标图像的大小调整，使得原始目标图像调整后具有统一尺度，并对统一尺度的原始目标图像进行HOG特征提取；

对上述提取的HOG特征，进行正负样本的均衡化，得到均衡化后的图像特征；

对均衡化后的图像特征计算核矩阵与交叉核矩阵，并将目标域核矩阵本征分解，结合辅助域的插值本征向量，得到由目标域核矩阵的本征系统外插值到辅助域数据集上生成的核矩阵，包括插值核矩阵和辅助域真实核矩阵；

基于上述的插值核矩阵和辅助域真实核矩阵，二次规划求解迁移本征谱参数，得到最优本征谱参数；

基于最优本征谱参数，构造域不变核矩阵，其中：使用辅助域不变核矩阵与标签训练辅助域SVM；使用目标域不变核矩阵与标签以及辅助域SVM参数学习目标域SVM参数，得到目标域SVM参数，从而实现红外目标的识别。

优选地，所述对统一尺度的原始图像目标进行HOG特征提取，包括：

对调整后的原始目标图像利用开源的计算机视觉库算法VLFeat提取原始图像目标的HOG特征，形成相应的图像特征

其中，

是红外图像的HOG特征，

是可见光图像的HOG特征。

优选地，所述正负样本的均衡化，包括：

设定正负样本的均衡度参数β＝1，均衡化前数据的KNN密度估计参数kDensity＝5，合成数据选取相关样本时的KNN参数kSMOTE＝5；

样本间的距离使用欧氏距离；

对所述HOG特征

利用自适应合成样本技术均衡化正负样本，形成均衡化后的图像特征X,Z，其中，X是均衡化后的红外图像的HOG特征，Z是均衡化后的可见光图像的HOG特征。

优选地，所述对均衡化后的图像特征计算核矩阵与交叉核矩阵，包括：

设定核函数为高斯核函数k(·,·)，设定核函数的带宽为σ＝10；

对均衡化后的图像特征X,Z，利用给定的核函数计算出相应的核矩阵与交叉核矩阵：

K_X＝k(X,X),K_Z＝k(Z,Z),K_ZX＝k(Z,X)；

其中：K_X为目标域X的核矩阵K，K_Z为辅助域Z的核矩阵，K_ZX为交叉核矩阵。

优选地，所述将目标域核矩阵本征分解，包括：

对所述目标域X的核矩阵K_X进行本征分解：

K_XΦ_X＝Φ_XΛ_X；

其中：Φ_X为K_X本征分解后的本征向量矩阵，Φ_X的每一列是K_X的一个本征向量；Λ_X为K_X本征分解后由K_X的本征值所构成的对角矩阵，且_XΦ_X的每一列与Λ_X的对角元素在位置上相对应；

优选地，所述辅助域的插值本征向量，包括：

利用Mercer定理计算本征系统{Λ_X，Φ_X}在辅助域Z的取值，得到辅助域Z的核矩阵K_Z的本征向量的插值近似：

其中：K_ZX为交叉核矩阵，

为辅助域Z的核矩阵K_Z的本征向量的插值近似；

将本征谱Λ_X松弛为待学习参数Λ，经过谱核设计得到由目标域X的核矩阵的本征系统外插值到辅助域Z上生成的核矩阵

其中_Z：

为

的转置矩阵；Λ＝diag(λ₁，...，λ_n)是对角矩阵，Λ的所有对角元素均不小于0且呈现出幂律分布λ_i≥ζλ_i+1，i＝1，...，n-1。

优选地，所述二次规划求解迁移本征谱参数，包括：

通过最小化辅助域插值核矩阵

和辅助域真实核矩阵K_Z之间的二次误差，实现领域间分布差异的最小化，得到迁移核学习的如下优化问题：

λ_i≥ζλ_i+1，i＝1，...，n-1

λ_i≥0，i＝1，...，n

其中，Λ＝diag(λ₁，...，λ_n)是n个非负本征谱参数，阻尼系数设定为ζ＝1.1K_Z为辅助域Z的核矩阵，

为由目标域X核矩阵的本征系统外插值到辅助域Z上生成的核矩阵；

为

的转置矩阵，

为辅助域Z的核矩阵K_Z的本征向量的插值近似；

上述优化问题归结为线性约束的二次规划(QP)问题，从而使用凸优化工具包进行求解。

优选地，所述构造域不变核矩阵，包括：

学习到最优本征谱参数

后，在辅助域Z和目标域X全集A＝X∪Z上构造领域不变核矩阵

由领域不变本征系统

生成：

其中，

是为数据集A＝X∪Z上的插值本征向量集合；

优选地，所述使用辅助域不变核矩阵与标签训练辅助域SVM，包括：

使用得到的辅助域不变核矩阵

与标签，通过标准SVM算法训练一个SVM学习机，得到相应的分类模型参数α_s；

为辅助域Z的核矩阵K_Z的本征向量的插值近似。

优选地，所述使用目标域不变核矩阵与标签以及辅助域SVM参数学习目标域SVM参数是指：

使用得到的目标域不变核矩阵

与标签以及辅助域SVM参数α_s，通过求解以下的A-SVM优化模型来得到目标域SVM参数α_t:

其中，Y_t＝[y₁；y₂；…；y_n]是目标域的标签向量，y_i∈{-1,1}(i＝1,2,…,n)是对应的标签，n是目标域的样本数，diag(Y_t)＝diag(y₁,y₂,…,y_n)是对角矩阵；

是所有元素均为1的向量；Γ控制迁移正则化的程度，设置为0.1；C是损失控制参数，设置为1；

上述优化问题是线性约束的二次规划(QP)问题，使用凸优化工具包进行求解。利用以上所得到的目标域SVM参数α_t，计算目标域SVM的偏置值b_t：选择α_t的一个分量(α_t)_k适合条件0＜(α_t)_k＜C，计算目标域SVM的偏置值

其中(α_t)_k是α_t的第k个分量，

是Y_t的第k个分量，

是

的第k列所形成的列向量，

是

的第k行所形成的行向量。

优选地，使用得到的目标域SVM参数α_t、b_t，实现红外目标的识别，是指：

1)1)对HOG特征提取得到的HOG特征，形成图像特征数据集X₀，此时认为X₀来自目标域且服从与目标域同样的概率分布；

2)对特征数据集X₀使用以上得到的目标域SVM参数α_t、b_t进行识别预测：

首先需要将目标域X的本征系统Φ_X由标准

法外插值到数据集X₀上：

其中，

是跨数据集交叉核矩阵；

是数据集X₀的核矩阵

的本征向量的插值近似；数据集X₀对应的跨领域分区可计算为

是数据集X₀对应的跨领域分区核矩阵；

利用数据集X₀对应的跨领域分区核矩阵

以及数据集X₀对应的目标域交叉核矩阵

可以得到数据集X₀的识别结果：

其中，sign(·)是逐分量作用的符号函数，

是所有元素均为1的向量，

中的p是X₀中待识别的红外图像数目，Y＝[y¹；y²；…；y^p]就是所得到的对红外图像的识别结果，Y中的y^k∈{-1,1},(k＝1,2,...,p)是X₀中第k个待识别的红外图像对应的HOG特征的识别标签，若y^k＝1，则X₀中第k个待识别的红外图像是要识别的红外目标，若y^k＝-1，则X₀中第k个待识别的红外图像不是要识别的红外目标，其余参数的含义见以上所述。

与现有技术相比，本发明实施例具有以下有益效果：

本发明所述方法通过结合迁移核学习的将可见光数据与红外数据分布变换接近的过程和构造A-SVM分类器的监督式识别过程，可以有效地识别图像目标。

本发明所述方法通过利用可见光目标图像，就可以提高对红外目标图像的识别准确率，使目标分类识别的质量更加精确，并且对不同条件下获取的红外目标图像具有鲁棒性和准确性。

附图说明

图1为本发明方法一实施例的流程图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明技术方案为前提进行实施，给出了具体的实施方式和操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本发明针对有少量红外目标图像情景下引起的图像目标分类识别质量较低的问题，提出一种利用可见光目标图像进行相应红外目标图像的识别方法，以下实施例所使用的图像是可见光目标灰度图像与相应红外目标灰度图像。具体实现的细节如下。

S1:原始图像目标的大小调整

在不同情况下，目标图片大小可能不一样，因此为了使本发明的方法适用于不同规格图像的处理，需要在处理图像前调整原始图像目标的大小。本发明中将原始图像目标统一调整到一个大小相通的尺度进行操作，从而克服了原始图像目标大小不一的情况。

本实施例中是将拍摄的原始目标图像进行统一尺度大小的缩放，缩放后的图像统一尺度为：

H_limit＝128像素为设定的图像高度，W_limit＝128像素为设定的图像宽度。

应当理解的是，在其他实施例中，也可以根据需要调整为其他的尺度，并不仅仅局限于本实施例中上述尺度参数。

S2：原始图像目标的HOG特征提取

对于原始图像目标，需要提取出相应的目标特征，才能使用机器学习的方法进行处理。

在本实施例中，采用如下操作：

1)设定提取HOG特征时，所使用的cell块大小为8个像素；当然，其他实施例中也可以是其他大小；

2)对调整后的图像利用VLFeat这一开源的计算机视觉库算法提取原始图像目标的HOG特征，形成相应的图像特征

其中，

是红外图像的HOG特征，

是可见光图像的HOG特征。

S3：正负样本的均衡化

在本实施例中，正负样本的均衡化的技术可以采用Haibo He等于2008年提出的自适应合成样本技术。

具体采用如下操作：

1)设定正负样本的均衡度参数β＝1，均衡化前数据的KNN密度估计参数kDensity＝5，合成数据时选取相关样本时的KNN参数kSMOTE＝5；

2)样本间的距离使用欧氏距离；

3)对HOG特征

利用自适应合成样本技术均衡化正负样本，形成均衡化后的图像特征X,Z，其中，X是红外图像的HOG特征，Z是可见光图像的HOG特征。

S4：计算核矩阵与交叉核矩阵

在本实施例中，可以采用如下操作：

1)设定核函数为高斯核函数k(·,·)，设定核函数的带宽为σ＝10；

2)对均衡化后的图像特征X,Z，利用给定的核函数计算出相应的核矩阵与交叉核矩阵：

K_X＝k(X,X),K_Z＝k(Z,Z),K_ZX＝k(Z,X)。

S5：目标域X核矩阵本征分解

对所述目标域X核矩阵K_X机型本征分解：K_XΦ_X＝Φ_XΛ_X。

S6：辅助域Z的插值本征向量

在本实施例中，可以采用如下操作：

1)利用Mercer定理计算该本征系统在辅助数据集Z的取值，得到辅助核矩阵K_Z的本征向量的插值近似：

2)将本征谱Λ_X松弛为待学习参数Λ，经过谱核设计得到一族由目标域X核矩阵的本征系统外插值到辅助域数据集Z上生成的核矩阵：

S7：二次规划求解迁移本征谱参数

在本实施例中，可以采用如下操作：

1)通过最小化辅助域插值核矩阵

和辅助域真实核矩阵K_Z之间的二次误差，实现领域间分布差异的最小化，得到迁移核学习的如下优化问题：

λ_i≥ζλ_i+1，i＝1，...，n-1

λ_i≥0，i＝1，...，n

其中，Λ＝diag(λ₁，…，λ_n)是n个非负本征谱参数，阻尼系数设定为ζ＝1.1。K_Z为辅助域Z的核矩阵，

为由目标域X核矩阵的本征系统外插值到辅助域Z上生成的核矩阵；

为

的转置矩阵，

为辅助域Z的核矩阵K_Z的本征向量的插值近似。

2)上述优化问题可归结为线性约束的二次规划(QP)问题，从而可以使用常见的凸优化工具包进行求解。

S8：计算域不变核矩阵

在本实施例中，可以采用如下操作：

1)在(7)中，学习到最优本征谱参数

后，可在辅助域Z和目标域X全集A＝X∪Z上构造领域不变核矩阵

由领域不变本征系统

生成：

其中，

是为数据集A＝X∪Z上的插值本征向量集合；

是所得到的辅助域不变核矩阵，

是所得到的目标域不变核矩阵，

是所得到的目标域与辅助域的不变交叉核矩阵。

S9：使用辅助域不变核矩阵与标签训练辅助域SVM

在本实施例中，可以采用如下操作：

使用得到的辅助域不变核矩阵

与标签，通过标准SVM算法训练一个SVM学习机，得到相应的分类模型参数α_s；

为辅助域Z的核矩阵K_Z的本征向量的插值近似。

S10：使用目标域不变核矩阵与标签以及辅助域SVM参数学习目标域SVM参数

1)使用得到的目标域不变核矩阵

与标签以及辅助域SVM参数α_s，通过求解以下的A-SVM优化模型来得到目标域SVM参数α_t:

其中，

是目标域的标签向量，Y_t中的

是对应的标签，n是目标域的样本数，

是对角矩阵；

是辅助域的标签向量，Y_s中的

是对应的标签，m是辅助域的样本数，

是对角矩阵；

是所有元素均为1的向量；

是目标域与辅助域的不变交叉核矩阵；Γ控制迁移正则化的程度，设置为0.1；C是损失控制参数，设置为1。

2)以上优化问题是线性约束的二次规划(QP)问题，使用凸优化工具包进行求解。

3)利用以上2)所得到的目标域SVM参数α_t，计算目标域SVM的偏置值b_t：选择α_t的一个分量(α_t)_k适合条件0＜(α_t)_k＜C，计算目标域SVM的偏置值

其中(α_t)_k是α_t的第k个分量，

是Y_t的第k个分量，

是

的第k列所形成的列向量，

是

的第k行所形成的行向量。

S11：利用上述S10中得到的目标域SVM参数α_t与b_t，实现红外目标的识别：

1)将拍摄的待识别的原始红外图像进行上述S1中所述的图像的大小调整，使得待识别的原始红外图像调整后具有统一尺度；对统一尺度的待识别的原始红外图像进行上述S2中所述的HOG特征提取，可以利用开源的计算机视觉库算法VLFeat提取调整后的待识别的原始红外图像的HOG特征，形成相应的图像特征数据集X₀(注意：此处所得到的特征数据集X₀是指HOG特征提取之后的数据集，对这一数据集不进行上述S3中所述的特征均衡化处理；此外，上述构造域不变核矩阵是在均衡化后的图像特征基础上进行的，但特征数据集X₀是直接在调整后的待识别的原始图像上所提取的HOG特征，并不进行特征均衡化)，此时可以认为X₀来自目标域且服从与目标域同样的概率分布；

2)对特征数据集X₀使用上述S10中得到的目标域SVM参数α_t、b_t进行识别预测：

首先需要将目标域X的本征系统Φ_X由标准

法外插值到数据集X₀上：

其中，

是跨数据集交叉核矩阵；

是数据集X₀的核矩阵

的本征向量的插值近似；数据集X₀对应的跨领域分区可计算为

是数据集X₀对应的跨领域分区核矩阵；

利用数据集X₀对应的跨领域分区核矩阵

以及数据集X₀对应的目标域交叉核矩阵

可以得到数据集X₀的识别结果：

其中，sign(·)是逐分量作用的符号函数，

是所有元素均为1的向量，

中的p是X₀中待识别的红外图像数目，

就是所得到的对红外图像的识别结果，Y中的y^k∈{-1,1},(k＝1,2,...,p)是X₀中第k个待识别的红外图像对应的HOG特征的识别标签，若y^k＝1，则X₀中第k个待识别的红外图像是要识别的红外目标，若y^k＝-1，则X₀中第k个待识别的红外图像不是要识别的红外目标，其余参数的含义见上述S10中所述。

本发明上述实施例能处理不同采集情况下获取的红外目标图像，快速、有效地识别红外目标，识别后的结果方便使用者的其他应用。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种利用可见光目标图像进行相应红外目标图像的识别方法，包括利用目标的可见光灰度图像与红外灰度图像，其特征在于，包括：

对原始目标图像的大小调整，使得原始目标图像调整后具有统一尺度，并对统一尺度的原始目标图像进行HOG特征提取；

对上述提取的HOG特征，进行正负样本的均衡化，得到均衡化后的图像特征；

对均衡化后的图像特征计算核矩阵与交叉核矩阵，并将目标域核矩阵本征分解，结合辅助域的插值本征向量，得到由目标域核矩阵的本征系统外插值到辅助域数据集上生成的核矩阵，包括插值核矩阵和辅助域真实核矩阵；

基于上述的插值核矩阵和辅助域真实核矩阵，二次规划求解迁移本征谱参数，得到最优本征谱参数；

基于最优本征谱参数，构造域不变核矩阵，其中：使用辅助域不变核矩阵与标签训练辅助域SVM；使用目标域不变核矩阵与标签以及辅助域SVM参数学习目标域SVM参数，得到目标域SVM参数，从而实现红外目标的识别；

所述构造域不变核矩阵，包括：

学习到最优本征谱参数

后，在辅助域Z和目标域X全集A＝X∪Z上构造领域不变核矩阵

由领域不变本征系统

生成：

其中，

是为数据集A＝X∪Z上的插值本征向量集合；

是所得到的辅助域不变核矩阵，

是所得到的目标域不变核矩阵，

是所得到的目标域与辅助域的不变交叉核矩阵；

所述使用辅助域不变核矩阵与标签训练辅助域SVM，包括：

使用得到的辅助域不变核矩阵

与标签，通过标准SVM算法训练一个SVM学习机，得到相应的分类模型参数α_s；

为辅助域Z的核矩阵K_Z的本征向量的插值近似；

所述使用目标域不变核矩阵与标签以及辅助域SVM参数学习目标域SVM参数是指：

1)使用得到的目标域不变核矩阵

与标签以及辅助域SVM参数α_s，通过求解以下的A-SVM优化模型来得到目标域SVM参数α_t:

其中，

是目标域的标签向量，Y_t中的

是对应的标签，i＝1,2,…,n，n是目标域的样本数，

是对角矩阵；

是辅助域的标签向量，Y_s中的

是对应的标签，m是辅助域的样本数，

是对角矩阵；

是所有元素均为1的向量；

是目标域与辅助域的不变交叉核矩阵；Γ控制迁移正则化的程度，设置为0.1；C是损失控制参数，设置为1；

2)上述优化问题是线性约束的二次规划(QP)问题，使用凸优化工具包进行求解；

3)利用以上2)所得到的目标域SVM参数α_t，计算目标域SVM的偏置值b_t：选择α_t的一个分量(α_t)_k适合条件0＜(α_t)_k＜C，计算目标域SVM的偏置值

其中(α_t)_k是α_t的第k个分量，

是Y_t的第k个分量，

是

的第k列所形成的列向量，

是

的第k行所形成的行向量。

2.根据权利要求1所述的利用可见光目标图像进行相应红外目标图像的识别方法，其特征在于，所述对统一尺度的原始图像目标进行HOG特征提取，包括：

对调整后的原始目标图像利用开源的计算机视觉库算法VLFeat提取原始图像目标的HOG特征，形成相应的图像特征

其中，

是红外图像的HOG特征，

是可见光图像的HOG特征。

3.根据权利要求1所述的利用可见光目标图像进行相应红外目标图像的识别方法，其特征在于，所述正负样本的均衡化，包括：

设定正负样本的均衡度参数β＝1，均衡化前数据的KNN密度估计参数kDensity＝5，合成数据选取相关样本时的KNN参数kSMOTE＝5；

样本间的距离使用欧氏距离；

对所述HOG特征

利用自适应合成样本技术均衡化正负样本，形成均衡化后的图像特征X,Z，其中，X是均衡化后的红外图像的HOG特征，Z是均衡化后的可见光图像的HOG特征。

4.根据权利要求1所述的利用可见光目标图像进行相应红外目标图像的识别方法，其特征在于，所述对均衡化后的图像特征计算核矩阵与交叉核矩阵，包括：

设定核函数为高斯核函数k(·,·)，设定核函数的带宽为σ＝10；

对均衡化后的图像特征X,Z，利用给定的核函数计算出相应的核矩阵与交叉核矩阵：

K_X＝k(X,X),K_Z＝k(Z,Z),K_ZX＝k(Z,X)；

其中：K_X为目标域X的核矩阵，K_Z为辅助域Z的核矩阵，K_ZX为交叉核矩阵。

5.根据权利要求1所述的利用可见光目标图像进行相应红外目标图像的识别方法，其特征在于，所述将目标域核矩阵本征分解，包括：

对所述目标域X的核矩阵K_X进行本征分解：

K_XΦ_X＝Φ_XΛ_X；

其中：Φ_X为K_X本征分解后的本征向量矩阵，Φ_X的每一列是K_X的一个本征向量；Λ_X为K_X本征分解后由K_X的本征值所构成的对角矩阵，且Φ_X的每一列与Λ_X的对角元素在位置上相对应。

6.根据权利要求5所述利用可见光目标图像进行相应红外目标图像的识别方法，其特征在于，所述辅助域的插值本征向量，包括：

利用Mercer定理计算本征系统{Λ_X，Φ_X}在辅助域Z的取值，得到辅助域Z的核矩阵K_Z的本征向量的插值近似：

其中：K_ZX为交叉核矩阵，

为辅助域Z的核矩阵K_Z的本征向量的插值近似；

将本征谱Λ_X松弛为待学习参数Λ，经过谱核设计得到由目标域X的核矩阵的本征系统外插值到辅助域Z上生成的核矩阵

其中：

为

的转置矩阵；Λ＝diag(λ₁，...，λ_n)是对角矩阵，Λ的所有对角元素均不小于0且呈现出幂律分布λ_i≥ζλ_i+1，i＝1，...，n-1，阻尼系数设定为ζ＝1.1。

7.根据权利要求1所述利用可见光目标图像进行相应红外目标图像的识别方法，其特征在于，所述二次规划求解迁移本征谱参数，包括：

通过最小化辅助域插值核矩阵

和辅助域真实核矩阵K_Z之间的二次误差，实现领域间分布差异的最小化，得到迁移核学习的如下优化问题：

λ_i≥ζλ_i+1，i＝1，…，n-1

λ_i≥0，i＝1，…，n

其中，Λ＝diag(λ₁，...，λ_n)是n个非负本征谱参数，阻尼系数设定为ζ＝1.1；K_Z为辅助域Z的核矩阵，

为由目标域X核矩阵的本征系统外插值到辅助域Z上生成的核矩阵；

为

的转置矩阵，

为辅助域Z的核矩阵K_Z的本征向量的插值近似；

上述优化问题归结为线性约束的二次规划(QP)问题，从而使用凸优化工具包进行求解。

8.根据权利要求1所述利用可见光目标图像进行相应红外目标图像的识别方法，其特征在于，使用得到的目标域SVM参数α_t、b_t，实现红外目标的识别是指：

1)对HOG特征提取得到的HOG特征，形成图像特征数据集X₀，此时认为X₀来自目标域且服从与目标域同样的概率分布；

2)对特征数据集X₀使用得到的目标域SVM参数α_t、b_t进行识别预测：

首先将目标域X的本征系统Φ_X由标准

法外插值到数据集X₀上：

其中，

是跨数据集交叉核矩阵；

是数据集X₀的核矩阵

的本征向量的插值近似；数据集X₀对应的跨领域分区可计算为

是数据集X₀对应的跨领域分区核矩阵；

利用数据集X₀对应的跨领域分区核矩阵

以及数据集X₀对应的目标域交叉核矩阵

得到数据集X₀的识别结果：

其中，sign(·)是逐分量作用的符号函数，

是所有元素均为1的向量，

中的p是X₀中待识别的红外图像数目，Y＝[y¹；y²；…；y^p]是所得到的对红外图像的识别结果，Y中的y^k∈{-1,1}是X₀中第k个待识别的红外图像对应的HOG 特征的识别标签，k＝1,2,……p，若y^k＝1，则X₀中第k个待识别的红外图像是要识别的红外目标，若y^k＝-1，则X₀中第k个待识别的红外图像部是要识别的红外目标。

Images