[发明专利]基于改进字典学习的多源图像目标关联方法

权利要求书

1.基于改进字典学习的多源图像目标关联方法，其特征在于，包括以下步骤：

步骤1，数据集收集和预处理阶段

收集多种信源对同一场景或同一目标的图像数据集，并对多源图像数据集进行人工标记分析，存储图像数据集和人工标记结果，形成有标签多源图像目标关联原始数据集S；

步骤2，统一字典集生成阶段

利用改进字典学习的方法对原始数据集S中所有图像数据进行字典学习，生成多源图像共同字典集D＝[d₁,d₂,…d_k]；

步骤3，表征学习阶段

利用多源图像共同字典集D对多源图像目标关联原始数据集S中的多源图像数据进行统一稀疏表示，生成各多源图像数据的稀疏系数集X，与原始数据集中的标签信息共同形成多源图像目标关联判别数据集S'；

步骤4，分类学习阶段

建立多源图像目标关联判别模型，利用步骤3中多源图像目标关联判别数据集S'中的数据和标签进行学习、训练，得到训练好的关联判别模型。

2.如权利要求1所述的基于改进字典学习的多源图像目标关联方法，其特征在于，所述步骤2中的改进字典学习是在原字典学习目标函数基础上，增加一项标签对限制，得到如公式(1)所示的目标函数；

其中，α和β为超参数；N＝diag{N₁,…,N_N}，为对角矩阵，各对角元素为矩阵M中各列元素之和，L＝N-M；M的定义见公式(2)所示，

3.如权利要求1所述的基于改进字典学习的多源图像目标关联方法，其特征在于，所述步骤1具体包括以下子步骤：

步骤1.1，对多种信源图像可见光图像、多光谱图像、红外图像、SAR图像中的两种图像进行广泛收集，并保证用于目标关联的多源图像间是对于同一场景，包含同一类目标或对应目标；

步骤1.2，有标签多源图像目标关联原始数据集S＝{(y_i,y_j',a_ij),i∈(0,N),j∈(0,N')}，其中y_i和y_j'表示任意两种信源的数据表示，a_ij＝0或1，为人工标记结果，a_ij＝0表示y_i和y_j'为非关联目标，a_ij＝1表示y_i和y_j'为关联目标，N和N'分别为两种多源图像集包含的元素数量。

4.如权利要求1所述的基于改进字典学习的多源图像目标关联方法，其特征在于，所述步骤3具体包括以下子步骤：

步骤3.1，利用步骤2中改进字典学习生成的字典集D对多源图像目标关联原始数据集S中的多源图像数据进行稀疏表示，生成各多源图像数据的稀疏系数；

步骤3.2，结合原始数据集S中的标签信息和各多源图像数据的稀疏系数共同形成多源图像目标关联判别数据集S'＝{(x_i,x_j',a_ij),i∈(0,N),j∈(0,N')}，其中x_i和x_j'为3.1中生成的两种信源的稀疏系数，a_ij＝0或1，为S中原有的人工标记结果，a_ij＝0表示x_i和x_j'为非关联目标，a_ij＝1表示x_i和x_j'为关联目标。

5.如权利要求1所述的基于改进字典学习的多源图像目标关联方法，其特征在于，所述步骤4中的多源图像目标关联判别模型是采用三层全连接结构的多层神经网络模型，输入层为两任意多源图像数据稀疏系数的L2距离，第二层节点个数为512个，第三层节点个数为256个，除输出层外，各层间均采用dropout策略，激活函数采用relu函数；输出层节点个数设置为1，激活函数采用sigmoid函数。