[发明专利]一种一维像识别中的高斯权值分布特征提取方法

说明书

本发明属于目标识别技术领域，具体的说是涉及一种一维像识别中的高斯权值分布特征提取方法。本发明利用训练数据集样本分布结构，建立变换子空间矩阵提取高斯权值分布特征，由于采用高斯权值来描述样本之间的连接紧密程度，能有效表征各类样本在高维空间中的聚集情况，从而改善对目标的识别性能，对4类目标的仿真实验验证了该方法的有效性。

技术领域

本发明属于目标识别技术领域，具体的说是涉及一种一维像识别中的高斯权值分布特征提取方法。

背景技术

宽带雷达获取的一维距离像包含了有利于分类的信息，与传统窄带雷达相比，具有更高的分类性能，与雷达二维像相比，一维距离像容易获取，而且能够实现实时识别，因此，一维距离像识别具有非常重要的意义。

常规的子空间目标识别方法是经典的模式识别方法，通过在给定某种准则的条件下建立子空间提取目标特征，实现对目标的识别，由于在建立子空间的准则中并没有考虑样本之间连接权值，无法最大程度表征样本分布的紧密结构，导致提取的特征在分类性能上不是最优的，因此，常规子空间目标识别方法的性能有进一步改善的余地。

发明内容

针对上述问题，本发明提出了一种高斯权值分布特征提取方法，通过采用高斯权值分布结构建立变换子空间，提取目标分类特征，能有效表征样本在高维空间中的分布紧密程度，从而改善了对对目标的识别率。

为实现上述目的，本发明的技术方案是：

一种一维像识别中的高斯权值分布特征提取方法，包括以下步骤：

S1、设n维列矢量x_ij为第i类已知目标的第j个训练一维距离像，1≤i≤g，1≤j≤N_i，其中，g表示类别数，N_i为第i类已知目标的训练样本数，N为训练样本总数；

S2、计算样本间的欧氏距离：

p_ij,rl＝||x_ij-x_rl||₂

i＝1,2,…g,j＝1,2,…N_i

r＝1,2,…g,l＝1,2,…N_r

其中，p_ij,rl表示第i类已知目标的第j个一维距离像样本与第r类已知目标的第l个一维距离像样本之间的欧氏距离；

S3、由欧氏距离计算高斯权值w_ij,rl：

其中，σ²是高斯参数，由实验值确定，由高斯权值w_ij,rl组成样本间的高斯连接权值矩阵W：

W＝[w_ij,rl]_N×N

计算矩阵W每一行的元素和值，并构建对角矩阵D：

D＝diag{d_ij}

其中，diag{·}表示对角矩阵；

S4、由矩阵W和D构建特征方程：

WV＝DVΣ

其中，V为特征矢量组成的矩阵，Σ为特征值组成的对角矩阵，特征方程两边同时乘以得：

令

得