[发明专利]一种模糊异谱图像的模板匹配识别方法

权利要求书

1.一种模糊异谱图像的模板匹配识别方法，其特征在于，包括：

(1)获取样本图像，对样本图像进行模糊处理得到训练样本，训练样本包括正样本和负样本，正样本为单个三维投影模板图像，负样本为红外图像和若干可见光图像；

(2)获取基于大型可见光图像数据集训练的CNN模型，去掉已经训练好的CNN模型的全连接层，得到目标CNN模型；

(3)抽取一定量正负样本输入目标CNN模型并进行不同特征图层描述能力的对比试验，综合特征描述能力和效率要求选取一个特征图层进行特征提取，将正样本输入目标CNN模型，得到各个卷积层对应的特征图层，按照对比试验的结果选取对应特征图层进行最大值池化处理得到池化后的特征，对池化后的特征进行向量化和规范化处理，得到正样本的特征描述；

(4)利用正样本图像的特征描述初始化ESVM模型的权值向量；

(5)从负样本中抽取与正样本特征描述维度相同的负样本特征描述集合；

(6)将正样本特征描述和负样本特征描述集合输入ESVM模型，结合难例挖掘机制迭代训练ESVM模型，更新ESVM模型参数，直至模型达到稳定状态，得到最终的ESVM分类器；

(7)对待检测的经过模糊处理的红外实时图像进行密集采样得到若干子图，每个子图通过训练好的CNN模型提取特征图层，对特征图层进行处理得到特征描述后输入ESVM分类器，得到所有子图的分值后进行极大值抑制，最高分值的子图对应的位置就是三维投影模板匹配上的红外图上的位置。

2.如权利要求1所述的一种模糊异谱图像的模板匹配识别方法，其特征在于，所述步骤(5)的具体实现方式为：从负样本中随机抽取m张负样本图像，m张负样本图像分别输入CNN，抽取对应特征图层，利用正样本特征描述对应的特征图层对负样本特征图层进行密集采样得到子特征图层，对子特征图层进行最大值池化、向量化和规范化处理，得到与正样本图像特征描述维度相同的负样本特征集合。

3.如权利要求1所述的一种模糊异谱图像的模板匹配识别方法，其特征在于，所述步骤(6)包括：

(6-1)ESVM模型对应分类函数f_β：

f_β(x)＝ω^Tx+b

其中，x为输入的特征，b为偏重参数，ω为权值向量；

(6-2)将负样本特征描述集合D_N输入ESVM模型，按照下式进行难例挖掘，得到难例集合：

其中，x_N为负样本特征集合D_N中的特征，y_N为其对应标签“-1”，即根据上式挖掘得到的难例集合；

(6-3)输入正样本特征x_E和难例集合按照最小化目标函数来优化训练ESVM模型，更新权值向量ω：

其中，Ω_E为目标函数，C₁和C₂为正则化常数，h为铰链损失函数；

(6-4)从负样本中去除处理过的负样本图像，在新的集合中随机抽取m张负样本图像，提取特征描述集合，并利用当前ESVM模型进行难例挖掘，进而更新ESVM模型，由此迭代训练T轮至ESVM模型达到稳定状态，得到最终的ESVM分类器：

f_β(x)＝ω_f^Tx+b_f

其中ω_f、b_f分别为ESVM分类器最终的权值向量和偏重参数。

4.如权利要求1所述的一种模糊异谱图像的模板匹配识别方法，其特征在于，所述步骤(7)的具体实现方式为：对待检测的经过模糊处理的红外实时图像进行密集采样得到若干子图，每个子图通过训练好的CNN模型提取特征图层，对特征图层进行处理得到特征描述后输入ESVM分类器，直至得到所有子图的分值和检测框的位置，由位置得到各个检测框大小，按照检测框大小重叠率不超过阈值进行极大值抑制，最高分值的子图对应的位置就是三维投影模板匹配上的红外图上的位置。