[发明专利]一种基于分级特征张量的目标渐进式检测识别方法

权利要求书

1.一种基于分级特征张量的目标渐进式检测识别方法，其特征在于，该方法包括以下步骤：

步骤一、提取真实目标切片与虚假目标切片构建训练样本集，并构建训练样本集中每个切片对应的多分辨率特征张量；

步骤二、构建特征判别准则，并从步骤一构建的多分辨率特征张量中学习投影矩阵，根据投影矩阵提取出不同分辨率最具判别能力的特征子张量；

利用提取出的特征子张量训练软硬间隔支持张量机，直至全部的虚假目标被正确分类或者多分辨率层的层数达到阈值Q时停止训练，获得训练好的目标识别模型；

步骤三、对待检测识别的遥感图像进行目标快速检测后，获得候选目标位置；再通过截取候选目标位置处的图像块来获得候选目标切片；

步骤四、分别对获得的每个候选目标切片进行方向估计，根据方向估计结果对每个候选目标切片进行旋转变换，获得旋转变换后的全部候选目标切片；

步骤五、提取步骤四获得的每个切片的不同分辨率特征张量，并利用步骤二获得的投影矩阵从不同分辨率特征张量中提取出不同分辨率最具判别能力的特征子张量；

将提取出的特征子张量输入步骤二训练好的目标识别模型，获得目标识别模型输出的对待检测识别遥感图像的目标识别结果。

2.根据权利要求1所述的一种基于分级特征张量的目标渐进式检测识别方法，其特征在于，所述步骤二的具体过程为：

步骤二一、对于多分辨率层的第一层，虚假目标χ_j′∈χ_{false_target}，将虚假目标χ_j′与每个真实目标的弗罗贝尼乌斯范数的平方求和，求和结果表征了虚假目标χ_j′与真实目标的差异，1≤i′≤N_t，N_t为真实目标的总个数；

虚假目标χ_j′与全体真实目标的最大分离为：

其中：U_i′为投影矩阵，是虚假目标χ_j′与全体真实目标的最大分离，将所有虚假目标的按照降序排列，则排在前面的80％个虚假目标为第一层的难例样本，其他的虚假目标为第一层的简单样本，表示U_i′与χ_j′在第i′个模式的模式积，表示U_i′与在第i′个模式的模式积；

当为的同组k近邻或为的同组k近邻时，权值为1，否则权值为0；

当为的不同组k近邻或为的不同组k近邻时，权值为1，否则权值为0；

根据近邻关系，的子张量满足最小化下式：

其中：K为正则化参数，为的子张量，

将公式(2)变形为：

式中：中间变量中间变量为单位矩阵，g和h分别代表矩阵的第g行与第h列，代表第个样本及其2k个近邻所构成的子张量集合中的第g个样本的子张量，代表第个样本及其2k个近邻所构成的子张量集合中的第h个样本的子张量；

为了选择子张量和与近邻子张量，定义选择矩阵如公式(4)所示：

其中：为选择矩阵中的第i₀行第k₀列的元素；代表为的同组近邻中的第k₀个样本，代表为的同组近邻中的第k₀个样本，代表为的不同组近邻中的第k₀个样本，代表为的不同组近邻中的第k₀个样本；

则将总体的特征判别目标函数表示为公式(5)：

中间变量代表全体N个样本构成的子张量集合中的第g个样本的子张量，代表全体N个样本构成的子张量集合中的第h个样本的子张量；

则最终的特征判别准则为：

式中：W为中间变量矩阵，且为W中第行第列的元素，代表为的同组k近邻，代表为的同组k近邻，代表为的不同组k近邻，代表为的不同组k近邻，D为对角矩阵，

将公式(6)等价为公式(7)的形式：

L_g,h为拉普拉斯矩阵；

利用替换利用替换将公式(7)变换为公式(8)的形式：

随后利用交替迭代方法分别依次求解U_i，i＝1,2,…,l，并根据求得的投影矩阵U_i计算出多分辨率层的第一层的最具判别能力的特征子张量

步骤二二、为得到软-硬间隔支持张量机的参数，构建软-硬间隔支持张量机的优化问题为：

其中：w_i代表软-硬间隔支持张量机的第i个超平面的参数，i＝1,2,…,l，l代表软-硬间隔支持张量机的超平面的个数，代表向量的外积，C代表软-硬间隔支持张量机的惩罚因子，ξ_i″代表第i″个简单样本的松弛变量，1≤i″≤N_sft，N_sft为虚假目标样本数量，是类别为真实目标的第i′个样本的子张量，1≤i′≤N_t，N_t为真实目标样本数量，b代表超平面的偏置；是类别为虚假目标的第i″个样本的子张量，表示w_i与在第i个模式的模式积，表示w_i与在第i个模式的模式积；

对第一层的最具判别能力的特征子张量分别进行识别，获得每个特征子张量所属的类别为：

其中：若的值为1，则子张量对应的样本的类别为真实目标，若的值为-1，则子张量对应的样本的类别为虚假目标；

步骤二三、对于多分辨率层的其他层，则重复步骤二一至步骤二二的过程，直至全部的虚假目标被正确分类或者多分辨率层的层数达到阈值Q时停止训练，获得训练好的目标识别模型。