[发明专利]一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法

权利要求书

1.一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法，其特征在于：包括以下步骤：

S1、在林区实时采集数据来获取无人机航测数据，对获取无人机航测数据的视频进行联合平差处理，将视频进行单元拆分识别得到视频中的人物、烟雾、火焰图像，并对其特征进行识别、提取和标注；

S2、将采集到的实时图像进行多视图处理，提取图像的HSV颜色特征作为图像的第一视图，然后通过LBP算法提取图像的纹理特征作为图像的第二视图，将第一视图和第二视图同时输入模型中进行求解；

S3、将步骤2中得到的数据带入多视图识别方法进行识别，通过对人物、烟雾、火焰的分类识别将可疑人物、火焰火苗以及火焰烟雾进行排查定位，把识别的结果通知监控平台进行处理。

2.根据权利要求1所述的一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法，其特征在于：所述多视图识别的方法包括以下步骤：

S31、联合学习多个度量来建立多视图之间的互补信息，对于每个样本实施不同的特征提取方法构造多个视图，通过使用LMNN函数并将其拓展至多视图；

S32、将各视图原始的特征空间投射到子空间内，再通过各个视图的子空间学习共享的稀疏表示矩阵来减少视图间的差异性；

S33、将LMNN函数与多视图共享稀疏子空间结合，并从不同视图数据中获得互补的特征，得到多视图学习框架。

3.根据权利要求1所述的一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法，其特征在于：所述步骤S31中，所述LMNN函数包括LMNN度量函数、LMNN的损失函数，所述LMNN度量函数用于多视图的推广，所述LMNN损失函数包括将不相似样本从目标样本中推开的push损失函数以及吸引相似的邻居的pull损失函数；

通过距离度量来计算原空间中任意两个样本之间的变换距离，所述距离度量可根据矩阵L或矩阵M进行参数化，两个样本之间的变换距离的公式为：

4.根据权利要求3所述的一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法，其特征在于：所述S31中，矩阵L唯一定义矩阵M，所述矩阵M定义L直到旋转。

5.根据权利要求3所述的一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法，其特征在于：所述S31中，通过线性变换x→Lx参数化的距离度量，使预期分类误差最小的线性变换L从而得到式子：

并用v，u作为下标表示两个不同的视图，x_j表示输入样本，x_i的目标邻居，x_l表示入侵样本，函数中的每一个视图惩罚每个输入与其目标邻居之间的较大距离以及同样本间的距离过小，同时最小化这些项来求得输入空间的线性变换从而增加k个近邻具有匹配标签训练样本的数量，令其中：

则式子变为：

[z]₊＝max(z，0)表示同类之间的距离与异类间的距离之差大于等于间隔，若目标样本和异类样本之间大于等于1则hinge loss函数的值为0。

6.根据权利要求2所述的一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法，其特征在于：所述步骤S33中，定义稀疏矩阵S_vu连接不同视图并建立联系，令L_v近似等于L_uS_vu，根据从不同的角度挖掘样本之间的内在关系，建立一个共同的正则项：

多视图学习方法是使S_reg尽可能小，不同视图度量之间的关系通过稀疏矩阵S_vu建立，通过对比L₀范数和L₁范数，通过L_2，1范数约束稀疏矩阵S_vu来选择不同视图之间最密切相关的元素，在L_2，1范数的约束下，使S_reg尽可能小，在目标函数中加入正则项||S₁₂||_2，1作为稀疏性约束，得到多视图学习框架：