CN110007287A - 一种模糊隶属度一维距离像多特征融合方法 - Google Patents
一种模糊隶属度一维距离像多特征融合方法 Download PDFInfo
- Publication number
- CN110007287A CN110007287A CN201910322875.6A CN201910322875A CN110007287A CN 110007287 A CN110007287 A CN 110007287A CN 201910322875 A CN201910322875 A CN 201910322875A CN 110007287 A CN110007287 A CN 110007287A
- Authority
- CN
- China
- Prior art keywords
- feature
- target
- template
- multiple features
- range profile
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达目标识别技术领域,具体涉及一种模糊隶属度一维距离像多特征融合方法。本发明的方法首先将从一维距离像中提取的长度、散射、模式变换等多类特征,通过特征维数扩展转变为等大小的特征,然后利用模糊隶属度将多类特征加权融合构成一个综合特征,能够充分利用多个特征的分类性能,从而提高目标识别性能,同时解决了常规特征融合中因物理量纲不同而影响分类性能的问题。
Description
技术领域
本发明属于雷达目标识别技术领域,具体涉及一种模糊隶属度一维距离像多特征融合方法。
背景技术
在雷达目标识别中,从一维距离像中可以提取长度、散射及模式等多类特征,而每类特征反映了不同目标在某一方面的差异,如长度特征体现了目标大小上的不同,散射特征信包含了目标在结构形状方面的差异信息,而特征子空间投影特征反映了目标数据分布在最大能量方向上的不同。因此,采用单一特征只能区分在一个特征方面存在差异的多类目标。在雷达目标识别中,特别是在真假目标识别中,目标类别多,目标之间的相似程度高,使用单一特征很难准确识别目标,必须采用多类特征进行有机融合才能实现对目标的可靠识别。
特征融合方法包括串接融合法和分级融合法。串接融合法是直接将多类特征矢量串联构成一个更长的矢量,而分级融合则是特征分成多个层次,按一定的优先顺序对目标进行逐级识别。由于不同特征存在物理量纲的差异,串接融合形成的融合特征矢量在识别前必须进行归一化,这种归一化处理会导致识别的性能下降。而分级融合则必须预先确定各特征的优先顺序,当目标类别数变化时,必须重新调整特征的分级顺序。
发明内容
本发明针对上述问题,提出一种模糊隶属度多特征融合方法。
本发明所采用的技术方案为:
一种模糊隶属度一维距离像多特征融合方法,其特征在于,包括以下步骤:
S1、设nk维列矢量fi,j,k为第ith类真假目标的第jth个模板中的第kth类特征,1≤i≤C,1≤j≤Mi,1≤k≤K,其中C为目标类别数,K为特征类别数,Mi为第ith类真假目标的库模板数,M为库模板总数,nk为第kth类特征的维数;将特征矢量fi,j,k的维数进行扩展:
其中0是长度为(n-nk)维的全0列矢量,n=max(n1,n2,…,nK);
S2、对每类目标的特征模板fi,j,k,计算与同类模板间的距离和与异类模板间的距离:
利用距离计算对应的隶属度
其中α是一个系数,α>0,和分别表示某类特征属于同类和异类的隶属度;
S3、计算加权权值:
其中wi,j,k为第kth类特征的权系数;对wi,j,k进行归一化:
其中为归一化权系数,满足
S4、利用权系数融合多类特征
其中为从第ith类的第jth个融合特征模板。
根据获得的融合特征模板,再采用分类器即可实现对目标的分类识别。
本发明的有益效果为,本发明的方法利用模糊隶属度将从一维距离像中提取的长度、散射、模式变换等多类特征进行加权融合构成一个综合特征,一方面能够充分利用多个特征的分类性能,从而提高目标识别性能,同时避免了因物理量纲不同而必须进行归一化和必须预先确定优先级的问题,有效改善了对雷达真假目标的分类性能。
具体实施方式
为了验证所提方法的有效性,进行如下仿真实验。
设计四种点目标:真目标、碎片、轻诱饵和重诱饵。雷达发射脉冲的带宽为1000MHZ(距离分辨率为0.15m,雷达径向取样间隔为0.075m),目标设置为均匀散射点目标,真目标的散射点为7,其余三目标的散射点数均为11。在目标姿态角为0°~70°范围内每隔1°的一维距离像中,取目标姿态角为0°、2°、4°、6°、...、70°的一维距离像进行训练,其余姿态角的一维距离像作为测试数据,则每类目标有35个测试样本。
对四种目标(真目标、碎片、轻诱饵和重诱饵),在姿态角0°~70°范围内,从每一训练一维距离像提取长度特征、相邻散射点位置分布特征及特征子空间投影特征,利用本发明的模糊隶属度多特征融合方法获得各目标对应的融合特征模板。对测试一维距离像,同样提取长度特征、相邻散射点位置分布特征及特征子空间投影特征,利用本发明的模糊隶属度多特征融合方法得到融合特征矢量,然后采用最小距离分类器对目标的融合特征矢量进行分类识别,结果如表1所示。
表1两种方法的识别结果
从表1的结果可以看到,对真目标,常规的串接融合法的识别率为88%,而本发明的模糊隶属度多特征融合方法的识别率为95%;对碎片,常规的串接融合法的识别率为82%,而本发明的模糊隶属度多特征融合方法的识别率为87%;对轻诱饵,常规的串接融合法的识别率为85%,而本发明的模糊隶属度多特征融合方法的识别率为89%;对重诱饵,常规的串接融合法的识别率为90%,而本发明的模糊隶属度多特征融合方法的识别率为92%。平均而言,对四类目标,本发明的模糊隶属度多特征融合方法的正确识别率高于常规的串接融合法,说明本发明的模糊隶属度多特征融合方法的确能改善多类目标的识别性能。
Claims (1)
1.一种模糊隶属度一维距离像多特征融合方法,其特征在于,包括以下步骤:
S1、设nk维列矢量fi,j,k为第ith类真假目标的第jth个模板中的第kth类特征,1≤i≤C,1≤j≤Mi,1≤k≤K,其中C为目标类别数,K为特征类别数,Mi为第ith类真假目标的库模板数,M为库模板总数,nk为第kth类特征的维数;将特征矢量fi,j,k的维数进行扩展:
其中0是长度为(n-nk)维的全0列矢量,n=max(n1,n2,…,nK);
S2、对每类目标的特征模板fi,j,k,计算与同类模板间的距离和与异类模板间的距离:
利用距离计算对应的隶属度
其中α是一个系数,α>0,和分别表示某类特征属于同类和异类的隶属度;
S3、计算加权权值:
其中wi,j,k为第kth类特征的权系数;对wi,j,k进行归一化:
其中为归一化权系数,满足
S4、利用权系数融合多类特征
其中为从第ith类的第jth个融合特征模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322875.6A CN110007287B (zh) | 2019-04-22 | 2019-04-22 | 一种模糊隶属度一维距离像多特征融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322875.6A CN110007287B (zh) | 2019-04-22 | 2019-04-22 | 一种模糊隶属度一维距离像多特征融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110007287A true CN110007287A (zh) | 2019-07-12 |
CN110007287B CN110007287B (zh) | 2022-08-02 |
Family
ID=67173436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910322875.6A Active CN110007287B (zh) | 2019-04-22 | 2019-04-22 | 一种模糊隶属度一维距离像多特征融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110007287B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208012A (zh) * | 2013-05-08 | 2013-07-17 | 重庆邮电大学 | 一种光照人脸识别方法 |
CN106772307A (zh) * | 2017-03-02 | 2017-05-31 | 电子科技大学 | 一种基于多雷达信息的真假弹头目标识别方法 |
CN107271965A (zh) * | 2017-06-13 | 2017-10-20 | 电子科技大学 | 类聚集子空间的真假目标一维距离像特征提取方法 |
CN108761411A (zh) * | 2018-04-10 | 2018-11-06 | 电子科技大学 | 一种真假目标一维距离像特征提取方法 |
CN109190647A (zh) * | 2018-06-26 | 2019-01-11 | 中国电子科技集团公司第二十九研究所 | 一种有源无源数据融合方法 |
CN110348386A (zh) * | 2019-07-12 | 2019-10-18 | 广东工业大学 | 一种基于模糊理论的人脸图像识别方法、装置及设备 |
-
2019
- 2019-04-22 CN CN201910322875.6A patent/CN110007287B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208012A (zh) * | 2013-05-08 | 2013-07-17 | 重庆邮电大学 | 一种光照人脸识别方法 |
CN106772307A (zh) * | 2017-03-02 | 2017-05-31 | 电子科技大学 | 一种基于多雷达信息的真假弹头目标识别方法 |
CN107271965A (zh) * | 2017-06-13 | 2017-10-20 | 电子科技大学 | 类聚集子空间的真假目标一维距离像特征提取方法 |
CN108761411A (zh) * | 2018-04-10 | 2018-11-06 | 电子科技大学 | 一种真假目标一维距离像特征提取方法 |
CN109190647A (zh) * | 2018-06-26 | 2019-01-11 | 中国电子科技集团公司第二十九研究所 | 一种有源无源数据融合方法 |
CN110348386A (zh) * | 2019-07-12 | 2019-10-18 | 广东工业大学 | 一种基于模糊理论的人脸图像识别方法、装置及设备 |
Non-Patent Citations (3)
Title |
---|
JAE YOUNG CHOI: "Face Feature Weighted Fusion Based on Fuzzy Membership Degree for Video Face Recognition", 《 IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS, PART B (CYBERNETICS)》 * |
宋丽妍: "基于双隶属度判定的模糊支持向量机方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
苏振江: "基于高分辨一维距离像的雷达目标识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110007287B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Novak et al. | Radar target identification using spatial matched filters | |
CN107271965B (zh) | 类聚集子空间的真假目标一维距离像特征提取方法 | |
CN106951915B (zh) | 一种基于类别置信度的一维距离像多分类器融合识别法 | |
CN106778680B (zh) | 一种基于关键波段提取的高光谱图像波段选择方法及装置 | |
EP3511912B1 (en) | Currency classification device and currency classification method | |
WO2011086643A1 (ja) | パターン認識装置、パターン認識方法及びパターン認識用プログラム | |
Subburaman et al. | Fast bounding box estimation based face detection | |
WO2013159356A1 (zh) | 基于判别相关分析的跨媒体检索方法 | |
CN101582113A (zh) | 一种具有身份的人脸图像分层比对识别方法 | |
CN108845302A (zh) | 一种k近邻变换真假目标特征提取方法 | |
Damer et al. | CMC curve properties and biometric source weighting in multi-biometric score-level fusion | |
Aravinda et al. | Signature recognition and verification using multiple classifiers combination of Hu’s and HOG features | |
CN103942572A (zh) | 一种基于双向压缩数据空间维度缩减的面部表情特征提取方法和装置 | |
CN110007287A (zh) | 一种模糊隶属度一维距离像多特征融合方法 | |
Padmajadevi et al. | A review of handwritten signature verification systems and methodologies | |
Hu et al. | A similarity measure based on Hausdorff distance for human face recognition | |
Cao et al. | Forward-looking infrared target recognition based on histograms of oriented gradients | |
Ylioinas et al. | An in-depth examination of local binary descriptors in unconstrained face recognition | |
CN110780270B (zh) | 一种目标库属性判别局部正则学习子空间特征提取方法 | |
Nilubol et al. | Hidden Markov modelling for SAR automatic target recognition | |
Hu et al. | Online handwriting signature verification based on template clustering | |
Wang et al. | A convolutional neural network combined with aggregate channel feature for face detection | |
Bouamra et al. | Off-line signature verification using multidirectional run-length features | |
Sarfraz et al. | An intelligent system for Online Signature Verification | |
Li et al. | Structure-guided attention network for fine-grained vehicle model recognition |
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 |