[发明专利]一种基于ELM与DSmT的飞机姿态识别方法

权利要求书

1.一种基于ELM与DSmT的飞机姿态识别方法，其特征在于，具体步骤如下：

第一步：对于飞机图像进行去噪、灰度化和二值化预处理；

第二步：对经过预处理的飞机图像提取二值化图像的SIFT特征描述子和飞机轮廓特征；

第三步：对SIFT特征描述子采用经典的BoW模型进行描述并最终得到BoW_SIFT向量；

第四步：对第二步中得出的飞机轮廓特征进行处理得到飞机目标轮廓局部奇异值向量；

第五步：根据BoW_SIFT向量，构建SLFNs网络，采用实时性好的ELM算法训练SLFNs网络，得到训练好的SLFNs1；对于轮廓局部奇异值向量，构建SLFNs，然后采用实时性好的ELM算法训练SLFNs网络，得到训练好的SLFNs2；

第六步：将两个训练好的SLFNs1和SLFNs1作为算法的分类器，采用DSmT融合理论中的PCR5公式，实现多特征的决策级融合，得到最终的识别结果。

2.所述第二步中对SIFT特征进行提取的具体步骤如下：

2.1：SIFT特征点检测

I(x,y)表示一幅图像，σ是尺度空间因子，则其尺度空间L(x,y,σ)定义为：

L(x,y,σ)＝G(x,y,σ)*I(x,y)

其中G(x,y,σ)为高斯核函数，二维高斯核函数定义为：

G(x,y,σ)=12πσ2e-(x2+y2)/2σ2]]>

Lowe用计算简单、运算速度快的DoG算子替代LoG算子，DoG算子计算公式为：

D(x,y,σ)＝L(x,y,kσ)-L(x,y,σ)

其中，k为相邻两个高斯尺度空间的比例因子。

通过DoG算子构建图像差分金字塔后，对每个采样点与同尺度的8个邻点以及上下两个尺度的9个邻点共计26个点进行比较，如果该采样点是最大值或者最小值，则认为其是图像在该尺度下的一个特征点，然后对筛选出来的特征点中的不稳定的边界点进行剔除；

2.2：SIFT特征点描述：

关键点检测完后，利用关键点邻域像素的梯度方向分布特性为每个关键点确定主方向和辅助方向，关键点(x,y)处的梯度幅值m(x,y)和方向θ(x,y)计算公式为：

m(x,y)=(L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2]]>

θ(x,y)=tan-1(L(x,y+1)-L(x,y-1)L(x+1,y)-L(x-1,y))]]>

利用直方图统计关键点邻域内方向分布，将0～360度的角度范围分为36个柱，每柱10度，直方图的峰值方向为关键点的主方向，将大于主方向峰值80％的方向作为该关键点处的辅助方向；

将每个关键点的邻域点分配到4×4的子区域中，计算影响子区域的采样点的梯度方向和幅值，将每个子区域上计算得到的梯度分配到8个方向上，利用直方图统计每个方向的邻域点对关键点的贡献；对于每个关键点，形成了一个4×4×8＝128维的特征向量，该向量为每个特征点的特征描述子，最后对特征描述子进行归一化处理。