[发明专利]基于弱监督学习的SAR图像目标鉴别方法有效
申请号: | 201610815763.0 | 申请日: | 2016-09-12 |
公开(公告)号: | CN106326938B | 公开(公告)日: | 2019-03-08 |
发明(设计)人: | 杜兰;代慧;孙永光;王燕;王英华 | 申请(专利权)人: | 西安电子科技大学;西安中电科西电科大雷达技术协同创新研究院有限公司 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06K9/46 |
代理公司: | 陕西电子工业专利中心 61205 | 代理人: | 王品华;朱红星 |
地址: | 710071 陕*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 鉴别器 鉴别性能 目标鉴别 测试样本集 负样本 图像 测试阶段 迭代训练 复杂场景 人工标记 训练阶段 样本标记 正样本集 潜在的 样本集 正图像 监督 对正 杂波 样本 鉴别 并用 学习 分配 | ||
1.基于弱监督学习的SAR图像目标鉴别方法,包括:
A、训练步骤
(A1)对正图像样本集X+和负图像的负样本集X-中的每个训练样本提取M维局部限制性编码LLC特征,M=1024,其中,正图像样本集X+中没有人工标记,既包含正样本也包含负样本:
(A11)对每个训练样本提取密集尺度不变特征变换SIFT特征,并对所有训练样本的密集尺度不变特征变换SIFT特征用Kmeans聚成M类;
(A12)用M个聚类中心构造码本CB,即M个聚类中心按列排列组成的矩阵作为码本CB;
(A13)用构造的码本CB对每个训练样本的密集尺度不变特征变换SIFT特征进行局部限制性编码,得到训练样本编码后的局部限制性编码LLC特征:
(A13.1)对训练样本x的密集尺度不变特征变换SIFT特征D=[d1,...,dn,...,dK]中的第n个128维尺度不变特征变换SIFT特征dn,计算dn与码本CB中每个码本元素的欧式距离,找到欧式距离最小的5个码本元素,并按列排列得到局部基LBn;
(A13.2)分别用尺度不变特征变换SIFT特征dn与其对应的局部基LBn中的5个元素的欧式距离除以其与该5个元素的欧式距离之和,得到局部基LBn中的5个元素对应的编码系数
(A13.3)将码本CB中所有码本元素对应的编码系数组成列向量,得到特征dn的编码系数cn,其中,码本CB中除了局部基LBn中的码本元素之外,其他的码本元素对应的编码系数均为0;
(A13.4)对训练样本x的密集尺度不变特征变换SIFT特征D=[d1,...,dn,...,dK]中的K个128维尺度不变特征变换SIFT特征按步骤(A13.1)-(A13.3)进行编码,得到对应的编码系数矩阵c=[c1,...,cn,...,cK],对编码系数矩阵c中的每一行元素求其最大值,得到训练样本x的M维局部限制性编码LLC特征C;
(A2)用负图像的负样本集X-训练潜在的狄利克雷分配LDA主题模型,并用该潜在的狄利克雷分配LDA主题模型从正图像样本集X+中挑选初始的正样本集
所述用该潜在的狄利克雷分配LDA主题模型从正图像样本集X+中挑选初始的正样本集其实现如下:
(A2.1)根据潜在的狄利克雷分配LDA模型,计算训练样本中所有样本的似然概率;
(A2.2)将负图像的负样本集X-中所有负样本的似然概率按从大到小的顺序排序,取第0.8×Q的负样本的似然概率作为挑选初始正样本集的挑选门限Tr,其中Q为负样本集X-中负样本的个数;
(A2.3)将正图像的样本集X+中样本的似然概率小于挑选门限Tr的样本选出,组成新的样本集合,即为挑选的初始正样本集
(A3)用负样本集X-和初始的正样本集迭代训练全监督的二类SVM鉴别器,得到最优鉴别器;
B、测试步骤
(B1)对测试样本集中的每个测试样本提取M维局部限制性编码LLC特征:
(B11)对每个测试样本提取密集尺度不变特征变换SIFT特征;
(B12)用训练步骤(A12)中构造的码本CB对每个测试样本的密集尺度不变特征变换SIFT特征提取局部限制性编码,得到每个测试样本的局部限制性编码LLC特征;
(B2)用训练得到的最优鉴别器根据测试样本的局部限制性编码LLC特征对测试样本进行分类鉴别,得到鉴别结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安电子科技大学;西安中电科西电科大雷达技术协同创新研究院有限公司,未经西安电子科技大学;西安中电科西电科大雷达技术协同创新研究院有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201610815763.0/1.html,转载请声明来源钻瓜专利网。