[发明专利]一种模糊异谱图像的模板匹配识别方法

说明书

本发明公开了一种模糊异谱图像的模板匹配识别方法，主要针对三维投影模板图像和红外实时图像的异谱匹配问题。方法先搜集红外图像和大量可见光图像，利用基于可见光图像训练的卷积神经网络作为特征提取器，结合难例挖掘机制迭代训练面向单个正样本的样例支撑向量机，从而利用样例支撑向量机遍历红外实时图像进行模板匹配识别。本发明提供的这种模糊异谱图像的模板匹配识别方法，有效地融合了迁移学习和特征选择机制，基于数据驱动有针对性地迁移了可见光图像域的知识，并且通过特征模式判别分析削弱了判别能力不强的特征在模板匹配识别中所起的作用，为模板匹配识别引入了参数化的解决方案。

技术领域

本发明属于数字图像识别技术领域，更具体地，是一种针对模糊异谱图像的模板匹配识别方法。

背景技术

在模板匹配识别问题中，考虑到时间、空间环境的约束以及采集设备的限制，通常需要用不同源的传感器进行模板制备和实时图像的摄取，比如采用三维投影进行模板制备，而采用红外传感器进行实时图像扫描，而这种异谱段的图像仅在轮廓上相似，细节上却存在很大的差异。在采集实时图像时，又容易由于镜头的虚晃或环境干扰而造成采集图像的模糊。异谱段和模糊现象给模板匹配识别任务带来了诸多挑战。

模板匹配识别按照工作原理的不同，主要可以分为传统的非参数化的模板匹配识别方法和基于样本学习的参数化模板匹配识别方法。

传统方法基于像素灰度值或特征计算相关系数和最近邻的思想从而进行模板匹配识别，这种方法在模板制备与保障条件好的情况下可以取得较好结果，而针对模糊异谱图像的模板匹配识别问题，由于模板图像与实时图像的差异性，加之非参数化的方法对于待匹配的特征对等看待，不存在特征选择的过程，保留诸多无用甚至有害的冗余特征，传统方法存在诸多弊端；而参数化的方法主要基于机器学习，通过有监督训练获取具有较强区分能力的分类器来进行模板匹配识别，但由于特殊环境(异谱段、模糊)下可采集样本质和量的限制以及模板图像与实时图像问存在的很大差异，基于样本学习的参数化匹配方法采用较少，传统的非参数化的模板匹配识别方法仍是常用方法。

由此可见，现有技术中非参数化方法中存在无法进行特征选择、保留诸多无用甚至有害的冗余特征的技术问题，现有技术中参数化方法存在难以针对处于异谱段、加有模糊的小样本进行参数化学习的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种模糊异谱图像的模板匹配识别方法，其目的在于结合深度学习、单样例支撑向量机和难例挖掘机制进行可见光图像的知识迁移，从而获得具有特征选择能力的面向单正样本的参数化的二分类学习模型，由此针对现有技术中非参数化方法中存在无法进行特征选择、保留诸多无用甚至有害的冗余特征的技术问题，以及现有技术中参数化方法存在难以针对处于异谱段、加有模糊的小样本进行参数化学习的技术问题，提供了一个有效的解决方案。

为实现上述目的，按照本发明的一个方面，提供了一种模糊异谱图像的模板匹配识别方法，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，此处的训练样本针对ESVM训练；

(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)将正样本输入目标CNN模型，得到特征图层，对特征图层进行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；