[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

说明书

本发明公开了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，属于模式识别技术领域，包括以下步骤：S1、通过无人机在林区实时采集数据来获取无人机航测数据，对获取的视频进行联合平差处理，对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；S3、将数据带入多视图识别方法进行识别，该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，容易实现，并且易于优化，很好地解决了描述的目标可能存在视图缺失导致无法保证共享特征模式的有效表达的问题。

技术领域

本发明属于模式识别技术领域，具体涉及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。

背景技术

随着来自日常生活和互联网信息获取技术的飞速发展，数据不仅仅局限以单一特征，而是以多元多面不同的方式或不同类型的特征来呈现，在计算机视觉中，图像通常会根据颜色、纹理和形状的提示使用不同类型的特征来描绘图像，多视图学习可以用不同方式提取出不同特征使它们彼此互补，并且组合起来以提高图像识别的性能。目前，多视图学习已经从联合训练发展到了多核学习和子空间学习,主要挑战在于如何有效地探索不同视图之间的潜在相关性正如，距离度量学习技术引入了数据空间变换，可以使得基于距离的分类器精度进一步提高。度量学习可以显示特征空间中的样本的关系和分布，其目标是找到一种距离度量，以缩小类内差异，同时保持异类之间的间隔，有研究人员基于以上想法提出了许多算法，以提高距离相关方法的性能，但是它们大多只学习单一的距离度量，即对单一类型的特征或者对多种类型特征的串联进行学习，其中存在明显的局限性，其中一点是不能像多视图一样利用特征信息互补；另一个原因是，单一视图学习不同度量的方式相比多视图，忽略了每个视图特征都有其自身的特点，由于多视图图像数据的收集难度，描述的目标可能存在视图维度缺失的问题，从而无法保证共享特征模式的有效表达，如何有效地探索不同视图之间的潜在相关性，来解决单一视图度量学习的局限性问题？如何通过共同学习多视图数据上的多个距离度量，同时保留了每个视图的特定属性，并且在学习的度量空间中共享了不同视图的一些公共属性来将多视图和度量学习相结合，需要研发一种新的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来解决现有的问题。

发明内容

本发明的目的在于提供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，以解决单一视图度量学习的局限性的问题。

为实现上述目的，本发明提供如下技术方案：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，S1、通过通过无人机在林区实时采集数据来获取无人机航测数据，对获取的视频进行联合平差处理，对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。

优选的，所述多视图识别的方法包括：

S31、联合学习多个度量来建立多视图之间的互补信息，对于每个样本实施了不同的特征提取方法以构造多个视图，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。