[发明专利]一种基于ELM与DSmT的飞机姿态识别方法

说明书

技术领域

本发明属于自动目标识别技术领域，特别涉及一种基于ELM与DSmT的飞机姿态识别方法。

背景技术

自动目标识别技术(Automatic Target Recognition,ATR)是取得战场控制信息权的关键因素之一。从二十世纪八十年代开始，国内外很多的专家、学者积极参与了ATR技术的研究，使得ATR理论方面得到了完善，应用领域也得到很大的扩展。飞机目标识别作为ATR的重要领域之一，在现代战争和未来战争中都将占有着极为重要的地位。现代军事活动中，飞机的姿态识别越来越发挥着重要的作用，通过定位飞机的姿态，能够更方便准确的定位飞机的局部关键部位(如螺旋浆、机舱、油箱)。

早期的研究主要集中于利用单特征结合模式分类方法对飞机目标做分类和识别。刘刚等(刘刚,梁晓庚,张京国.基于红外图像的飞机目标关键攻击部位识别[J].计算机工程与应用,2011,47(24):174-178)基于红外图像，将飞机图像分割成背景、机身、尾焰三部分，通过计算一种组合矩，同时结合面积比特征来实现飞机识别。涂建平等(涂建平,彭应宁,庄志洪.弹道终端飞机目标红外图像瞄准点识别方法[J].光学技术,2003,29(3):261-265)通过对飞机目标进行骨架提取、霍夫变换等过程，检测飞机机轴，识别飞机。

基于单一特征的飞机目标识别在面对飞机种类繁多时，其算法性能很差，同时基于单一特征的算法在面对图像存在噪声如遮挡、缩放等情况下，误识别率很低。为了解决这个问题，一部分学者提出了基于多特征融合的方法来提高飞机目标识别算法的鲁棒性。曾接贤等(曾接贤,季康.基于多特征融合的多视点飞机目标识别算法[J].南昌航空大学学报:自然科学版,2016,30(2):9-15)提出一种基于DSmT理论和SVM分类器相结合的多特征融合额多视点飞机目标识别算法，该方法首先对处理后的图像提取仿射不变矩与傅里叶描述子，利用SVM分类器对这两个证据源构建信度赋值，最后利用DSmT在决策级进行融合，从而完成对飞机目标的识别。

基于决策级的多特征融合的目标识别算法流程为：

(1)图像特征提取与表示；

(2)分类器的构建与训练；

(3)多特征融合；

多特征融合识别算法在特征方面弥补了单一特征在识别方面的不足，但是面对飞机在飞行过程中姿态多变、外界环境复杂等情况，会给识别结果带来较大的影响，导致识别错误。同时在实际军事应用中，算法的实时性是很关键的指标之一。综上，如何选择鲁棒性好的多个特征，同时降低算法的时间复杂度是很有意义的工作。

发明内容

发明目的：针对现有技术中存在的由于飞机种类繁多、姿态多变导致识别率较低，同时算法的实时性普遍很差等问题，本发明提供一种将SIFT算法引入飞机姿态识别方法中，提取飞机图像的SIFT特征与轮廓局部奇异值特征；将ELM算法训练后的SLFNs作为分类器，可以有效的提高算法的实时性；最终在决策级，采用DSmT融合理论中的PCR5公式实现多特征融合，可以在有效的提高算法的鲁棒性的基于ELM与DSmT的飞机姿态识别方法。

技术方案：为解决上述技术问题，本发明提供一种基于ELM与DSmT的飞机姿态识别方法，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。

进一步的，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：