CN110135444B - 一种目标库属性一维像判别最优本征子空间特征提取方法 - Google Patents

一种目标库属性一维像判别最优本征子空间特征提取方法 Download PDF

Info

Publication number
CN110135444B
CN110135444B CN201910519250.9A CN201910519250A CN110135444B CN 110135444 B CN110135444 B CN 110135444B CN 201910519250 A CN201910519250 A CN 201910519250A CN 110135444 B CN110135444 B CN 110135444B
Authority
CN
China
Prior art keywords
library
subspace
max
dimensional
targets
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
Application number
CN201910519250.9A
Other languages
English (en)
Other versions
CN110135444A (zh
Inventor
周代英
沈晓峰
廖阔
梁菁
张瑛
冯健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910519250.9A priority Critical patent/CN110135444B/zh
Publication of CN110135444A publication Critical patent/CN110135444A/zh
Application granted granted Critical
Publication of CN110135444B publication Critical patent/CN110135444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本文公开了一种目标库属性一维像判别最优本征子空间特征提取方法。该方法首先利用所有库属目标的训练一维距离像样本数据建立一个最优本征子空间,抽取目标的最优特征,构建库属目标的特征描述库,对输入目标的库属性进行判别。该方法通过逐层优化建立最优本征子空间,能够更好地描述库属目标和非库属目标的区别信息,从而提高了目标库属性的判别性能。对4类目标的仿真实验验证了方法的有效性。

Description

一种目标库属性一维像判别最优本征子空间特征提取方法
技术领域
本发明属于雷达目标识别技术领域,涉及一种目标库属性一维像判别最优本征子空间特征提取方法。
背景技术
目标一维距离像包含了有关目标的结构和形状的信息,相对于低分辩雷达而言,这些信息更有利于目标的分类,因此,基于一维距离像的目标识别成为了当前雷达目标识别的热点。
常规的模式识别方法是预先利用目标的训练样本数据集进行训练,建立目标的特征模板库,然后对参与了训练的目标输入数据进行识别,在输入目标与建库目标相同的情况下,许多基于一维距离像的识别方法都获得了良好的识别效果。然而,在实际中,对于飞机等非协作目标,很难一次性收集到所有目标的一维距离像数据以建立一个包含所有目标的特征模板征库,表明输入目标可能是没有参与训练的目标,即没有特征模板库,在这种情况下,常规一维距离像识别方法将会出现识别错误,降低对目标的识别性能。因此,在实际工程应用中,首先必须对输入目标的一维距离像进行判别,若输入目标被判别为库属目标,将采用常规一维距离像方法进行识别;若输入目标被判别为一个新目标,则在原有的特征模板库中增加一个该新目标的模板,以便下次对该目标进行识别。
常规的本征子空间目标库属性判别方法以输入目标一维距离像与特征模板库的欧氏距离作为识别统计量,与训练阶段确定的门限进行比较来判定输入目标的库属性。然而,常规本征子空间法提取的特征不是最优的,不能更好地描述库属目标的本质信息,增大了库属目标与非库属目标的特征交叠区域,导致误判率明显增加。
发明内容
针对上述问题,本发明提出一种目标库属性一维距离像判别中的最优本征子空间特征提取方法,通过对库属目标的训练一维距离像样本数据进行逐层分析,建立一个最优本征子空间,能够更好地描述库属目标的本质信息,减少了库属目标与非库属目标的特征交叠区域,因此,改善了对库属目标和非库属目标的判别率。
本发明的技术方案是,最优本征子空间特征提取方法:
设xij(n维列矢量)为第ith类库属目标的第jth个训练一维距离像,1≤i≤g,1≤j≤Ni
Figure GDA0003325939140000021
其中Ni为第ith类库属目标的训练样本数,N为训练样本总数。利用训练数据集计算协方差矩阵C
Figure GDA0003325939140000022
Figure GDA0003325939140000023
对式(1)中的协方差矩阵进行本征分解,获取最大本征值λ1,max对应的n维本征列向量v1,max作为子空间变换矩阵中的第一根坐标轴a1
a1=v1,max(3)
设Q1是n维空间中列向量v1,max对应的n×(n-1)维正交补子空间矩阵,即
Figure GDA0003325939140000024
其中T表示向量的转置,0是元素全是零的向量。库属目标的训练样本向矩阵Q1投影
Figure GDA0003325939140000025
其中
Figure GDA0003325939140000026
为(n-1)维子空间中的向量,对所有库属目标的
Figure GDA0003325939140000027
计算协方差矩阵C1
Figure GDA0003325939140000028
Figure GDA0003325939140000029
对式(6)中的协方差矩阵进行特本征分解,获取最大本征值λ2,max对应的(n-1)维本征列向量v2,max,将其变换到n维空间,作为子空间变换矩阵中的第二根坐标轴a2
a2=Q1v2,max (8)
同理,可以获得子空间变换矩阵中的第r(2<r≤n)根坐标轴ar
ar=Qr-1vr,max (9)
其中Qr-1为矩阵[a1 a2…ar-1]对应的正交补子空间,vr,max为协方差矩阵Cr-1的最大本征值λr,max对应的本征向量,其中
Figure GDA0003325939140000031
Figure GDA0003325939140000032
Figure GDA0003325939140000033
由a1,a2,...,ar组成变换矩阵
A=[a1 a2…ar] (13)
由于变换矩阵中的每根坐标轴对应的本征值都是子空间中最大的,因此,变换矩阵A称为最优本征子空间。将训练一维距离像xij向子空间矩阵A投影
yij=ATxij (14)
其中yij即为xij对应的最优本征投影矢量。
本发明的有益效果为,本发明首先利用所有库属目标的训练一维距离像样本数据建立一个最优本征子空间,抽取目标的最优特征,构建库属目标的特征描述库,对输入目标的库属性进行判别。该方法通过逐层优化建立最优本征子空间,能够更好地描述库属目标和非库属目标的区别信息,从而提高了目标库属性的判别性能。对4类目标的仿真实验验证了方法的有效性。
具体实施方式
下面结合仿真示例说明本发明方案的有效性。
设计四种点目标:“|”字型,“V”字型,“干”字型和“小”字型。前三种目标(“|”字型,“V”字型,“干”字型目标)作为库属目标参与训练,建立库属目标的模板库。后一种目标(“小”字型目标)不参与训练(即作为非库属目标)。在目标姿态角为(0°∽60°)范围内每隔1°的一维距离像中,取所有训练目标姿态角为0°、2°、4°、...、60°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。使用常规本征子空间判别法和本发明方法对以上仿真数据进行判别实验。实验中,以输入目标的一维距离像数据xt对应的最优本征投影特征矢量为yt,计算yt与库属目标模板的欧氏距离,如果最小欧氏距离小于预先设置的判别门限,则输入目标判为库属目标,否则判为非库属目标。
仿真实验中雷达发射脉冲的带宽为150MHZ(距离分辨率为1m,雷达径向取样间隔为0.5m),目标设置为均匀散射点目标,”|”目标的散射点为5,其余三目标的散射点数均为9。实验结果如下:
表1 常规本征子空间判别法对四种目标的判别结果(%)
Figure GDA0003325939140000041
表2 本发明方法对四种目标的判别结果(%)
Figure GDA0003325939140000051
从表1和表2的结果可见,常规本征子空间判别法对“|”字型目标、“V”字型目标和“干”字型目标等三种库属目标的正确判别率分别为84%、80%和78%;对“小”字型目标等非库属目标,判为非库属目标的正确判别率为77%。相比而言,本发明方法对“|”字型目标、“V”字型目标和“干”字型目标等三种库属目标的正确判别率分别为87%、82%和83%;对“小”字型目标等非库属目标,判为非库属目标的正确判别率为88%,结果表明本发明方法对库属目标和非库属目标的判别率明显高于常规本征子空间判别方法。

Claims (1)

1.一种目标库属性一维像判别最优本征子空间特征提取方法,其特征在于,包括以下步骤:
S1、令n维列矢量xij为第ith类库属目标的第jth个训练一维距离像,1≤i≤g,1≤j≤Ni
Figure FDA0003325939130000011
其中Ni为第ith类库属目标的训练样本数,N为训练样本总数;
S2、利用训练数据集计算协方差矩阵C:
Figure FDA0003325939130000012
Figure FDA0003325939130000013
对式(1)中的协方差矩阵进行本征分解,获取最大本征值λ1,max对应的n维本征列向量v1,max作为子空间变换矩阵中的第一根坐标轴a1
a1=v1,max (3)
令Q1是n维空间中列向量v1,max对应的n×(n-1)维正交补子空间矩阵,即
Figure FDA0003325939130000014
其中T表示向量的转置,0是元素全是零的向量;库属目标的训练样本向矩阵Q1投影
Figure FDA0003325939130000015
其中
Figure FDA0003325939130000016
为(n-1)维子空间中的向量,对所有库属目标的
Figure FDA0003325939130000017
计算协方差矩阵C1
Figure FDA0003325939130000018
Figure FDA0003325939130000019
对式(6)中的协方差矩阵进行特本征分解,获取最大本征值λ2,max对应的(n-1)维本征列向量v2,max,将其变换到n维空间,作为子空间变换矩阵中的第二根坐标轴a2
a2=Q1v2,max (8)
同理,获得子空间变换矩阵中的第r(2<r≤n)根坐标轴ar
ar=Qr-1vr,max (9)
其中Qr-1为矩阵[a1a2…ar-1]对应的正交补子空间,vr,max为协方差矩阵Cr-1的最大本征值λr,max对应的本征向量,其中
Figure FDA0003325939130000021
Figure FDA0003325939130000022
Figure FDA0003325939130000023
由a1,a2,...,ar组成变换矩阵
A=[a1a2…ar] (13)
由于变换矩阵中的每根坐标轴对应的本征值都是子空间中最大的,因此,变换矩阵A称为最优本征子空间;
S3、将训练一维距离像xij向子空间矩阵A投影
yij=ATxij (14)
其中yij即为xij对应的最优本征投影矢量。
CN201910519250.9A 2019-06-17 2019-06-17 一种目标库属性一维像判别最优本征子空间特征提取方法 Active CN110135444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910519250.9A CN110135444B (zh) 2019-06-17 2019-06-17 一种目标库属性一维像判别最优本征子空间特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910519250.9A CN110135444B (zh) 2019-06-17 2019-06-17 一种目标库属性一维像判别最优本征子空间特征提取方法

Publications (2)

Publication Number Publication Date
CN110135444A CN110135444A (zh) 2019-08-16
CN110135444B true CN110135444B (zh) 2022-02-08

Family

ID=67577377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910519250.9A Active CN110135444B (zh) 2019-06-17 2019-06-17 一种目标库属性一维像判别最优本征子空间特征提取方法

Country Status (1)

Country Link
CN (1) CN110135444B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110687515A (zh) * 2019-10-16 2020-01-14 电子科技大学 一种目标库属性判别最优非线性本征子空间特征提取方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101241181A (zh) * 2008-03-12 2008-08-13 电子科技大学 非库属目标一维距离像判别方法
CN103941244A (zh) * 2014-04-23 2014-07-23 电子科技大学 一种雷达目标一维距离像局部最优子空间识别方法
CN104063591A (zh) * 2014-06-18 2014-09-24 电子科技大学 统一模型非库属目标一维距离像判别方法
CN106647796A (zh) * 2016-06-22 2017-05-10 中国人民解放军63863部队 一种装备三维模型机构运动通用控制方法
CN106936883A (zh) * 2015-12-31 2017-07-07 伊姆西公司 用于云系统的方法和装置
CN107576949A (zh) * 2017-08-23 2018-01-12 电子科技大学 基于密度权重和混合核函数的svdd雷达目标一维距离像识别方法
CN108416393A (zh) * 2018-03-16 2018-08-17 西安电子科技大学 一种基于高分辨一维距离像的目标识别优化方法
CN109117850A (zh) * 2018-06-28 2019-01-01 上海交通大学 利用可见光目标图像进行相应红外目标图像的识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085206B (zh) * 2017-03-22 2020-02-28 南京航空航天大学 一种基于自适应稀疏保持投影的一维距离像识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101241181A (zh) * 2008-03-12 2008-08-13 电子科技大学 非库属目标一维距离像判别方法
CN103941244A (zh) * 2014-04-23 2014-07-23 电子科技大学 一种雷达目标一维距离像局部最优子空间识别方法
CN104063591A (zh) * 2014-06-18 2014-09-24 电子科技大学 统一模型非库属目标一维距离像判别方法
CN106936883A (zh) * 2015-12-31 2017-07-07 伊姆西公司 用于云系统的方法和装置
CN106647796A (zh) * 2016-06-22 2017-05-10 中国人民解放军63863部队 一种装备三维模型机构运动通用控制方法
CN107576949A (zh) * 2017-08-23 2018-01-12 电子科技大学 基于密度权重和混合核函数的svdd雷达目标一维距离像识别方法
CN108416393A (zh) * 2018-03-16 2018-08-17 西安电子科技大学 一种基于高分辨一维距离像的目标识别优化方法
CN109117850A (zh) * 2018-06-28 2019-01-01 上海交通大学 利用可见光目标图像进行相应红外目标图像的识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Technology of separate formation of multidimensional data with lists of measure values;Sergey Zykin 等;《2015 International Siberian Conference on Control and Communications (SIBCON)》;20150702;第1-11页 *
基于核支持向量最优变换矩阵的雷达目标一维距离像识别;张琴 等;《现代电子技术》;20081231;第31-33页 *

Also Published As

Publication number Publication date
CN110135444A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN107238822B (zh) 真假目标一维距离像正交非线性子空间特征提取方法
CN107271965B (zh) 类聚集子空间的真假目标一维距离像特征提取方法
CN108761411B (zh) 一种真假目标一维距离像特征提取方法
CN110007286B (zh) 一种线性判别学习真假目标一维距离像特征提取方法
CN101561865B (zh) 基于多参数谱特征的合成孔径雷达图像目标识别方法
CN108038438B (zh) 一种基于奇异值分解的多源人脸图像联合特征提取方法
CN108845303B (zh) 一种非线性稳健子空间真假目标特征提取方法
CN108256436A (zh) 一种基于联合分类的雷达hrrp目标识别方法
CN110221267B (zh) 一种目标库属性判别邻域保持学习子空间特征提取方法
CN112597820A (zh) 一种基于雷达信号分选的目标聚类方法
CN110135444B (zh) 一种目标库属性一维像判别最优本征子空间特征提取方法
CN112163615B (zh) 一种基于门限优化字典学习的未知目标判别方法
CN110687514B (zh) 一种非线性判别学习真假目标一维距离像特征提取方法
CN106897730B (zh) 基于融合类别信息与局部保持投影的sar目标型号识别方法
CN109508674B (zh) 基于区域划分的机载下视异构图像匹配方法
CN108594202B (zh) 一种邻域分布结构非线性投影目标特征提取方法
JPH10143613A (ja) パタン認識方法
CN114821335B (zh) 基于深度特征与线性判别特征融合的未知目标判别方法
CN107403136B (zh) 基于结构保持字典学习的sar目标型号识别方法
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
CN107678007B (zh) 一种指数域紧密子空间的雷达真假目标一维距离像特征提取方法
CN114280566A (zh) 一种类标签关联一维距离像识别方法
CN110687515A (zh) 一种目标库属性判别最优非线性本征子空间特征提取方法
CN109410274B (zh) 一种高帧频条件下典型非合作目标要害点实时定位方法
CN113960553B (zh) 一种一维像识别中的高斯权值分布特征提取方法

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