[发明专利]基于改进字典学习的多源图像目标关联方法

说明书

本发明公开了基于改进字典学习的多源图像目标关联方法，属于情报数据处理领域，主要解决现有多源情报数据融合中，图像目标关联先识别再关联存在的信息损失、步骤冗余的问题。首先收集多种信源对同一场景或同一目标的图像数据集，形成原始数据集；利用改进字典学习方法对多源图像进行统一稀疏表示，通过在目标函数中引入标签信息，增加字典集特征的表征判别能力；构建神经网络对各图像的稀疏表示和标签信息进行学习，得到关联和非关联目标间距离度量标准，代替传统距离度量方式，完成关联判别模型的建立。该方法充分利用图像的特征信息，避免了现有方法的步骤冗余，具有模型生成速度快、信息损失少、实用效果好等优点。

技术领域

本发明隶属于情报数据处理领域，涉及多源异构图像间的目标关联判别模型的生成，适用于多源情报信息融合处理环节。

背景技术

图像类信息的获取一般具有探测范围广、重访周期长、定位精度差等特点，可用于预警探测过程中的前期大范围预警，通过对多种图像类信息的目标关联可以增加目标的相关量测点密度，提高量测信息更新时间，改善目标的定位精度。图像类信息间的目标关联主要是在一定时空约束下，依据目标的特征信息的相关性进行关联判断。在实际应用中主要是进行间接关联，先利用目标特征信息，识别目标类别型号，再根据目标类型型号是否一致进行关联判别，但这主要存在以下缺点：关联效果太依赖于识别库的完备性和算法的准确性；目标特征信息经识别为类别信息再到关联结果，增大了信息过程损失。目前，多源图像融合的研究大多是从像素级上实现图像融合以得到更多的细节信息，便于进一步对图像的分析、处理和理解，但其对输入图像的时间和空间配准有较高要求，且计算量大，处理时消耗时间长，难以达到实时性要求；而多源图像信息间由于特征信息维度高、异类信源的特征信息差别大，目前鲜有从特征级融合的角度进行相关研究。

发明内容

本发明的目的是提出基于改进字典学习的多源图像目标关联方法，从图像特征级出发，通过提取对比多源图像目标的特征信息，以判断图像是否源于同一目标，构建多源图像目标间的映射关系；旨在解决目前现有的图像目标关联方法中先识别再关联的信息损失、步骤冗余的问题。

本发明所述的基于改进字典学习的多源图像目标关联方法，主要可以分为四个阶段，数据集收集和预处理阶段，统一字典集生成阶段、表征学习阶段和分类学习阶段，具体包括以下技术措施，首先是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。统一字典集生成阶段，在字典学习的基础上，进一步提出改进字典学习的方法，以增加字典学习所生成特征的表征判别能力，并利用改进字典学习方法对原始数据集中所有图像数据进行字典学习，生成多源图像共同字典集。表征学习阶段，利用多源图像共同字典集对多源图像目标关联原始数据集中的各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，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。分类学习阶段，建立多源图像目标关联判别模型，利用多层神经网络模型对多源图像目标关联判别数据集中的数据和标签进行学习、训练，最终得到关联目标和非关联目标间的距离度量标准，代替传统距离度量方式，由此完成关联判别模型的建立。

本发明提出的基于改进字典学习的多源图像目标关联方法，可基于实测数据，直接训练生成多源图像目标间的关联判别方法，避免了先识别再关联的传统方法中对识别库信息要求高，信息损失严重等传统问题，具有模型生成速度快、信息损失少、实用效果好等优点，所生成的多源图像目标关联方法无需调试可直接用于解决实际情报数据处理中的多源情报数据融合问题。

附图说明

图1是基于改进字典学习的多源图像目标关联方法流程图。

具体实施方式

本发明提出的基于改进字典学习的多源图像目标关联方法技术方案包括以下步骤：