[发明专利]一种基于ELM与HMM的序列飞机目标识别方法

摘要

本发明公开了一种基于ELM与HMM的序列飞机目标识别方法，首先对序列飞机图像提取飞机目标轮廓，构造具有平移、旋转、缩放不变性的轮廓局部奇异值特征；对于轮廓局部奇异值特征，构建对应的SLFNs，并采用学习速度快的ELM算法训练SLFNs；为训练样本库中的c类飞机建立对应的HMM，每类飞机HMM的状态为飞机360度飞行姿态中的7个，观察值集合为c类飞机的全部状态共计7c个，对飞机HMM进行初始化与训练，得到训练好的c个飞机HMM；对待识别的序列飞机图像首先提取其轮廓局部奇异值特征，通过训练好的SLFNs得到初识别结果，最后计算序列与c个飞机HMM的相似度，取最大值对应的飞机类别作为最终的识别结果。本发明可以有效的解决由于姿态多变导致的飞机目标识别率低下问题。

主权项

一种基于ELM与HMM的序列飞机目标识别方法，其特征在于，具体步骤如下：第一步：对飞机全姿态进行HMM建模；第二步：对于c类飞机训练样本飞机图像进行去噪、灰度化和二值化预处理；第三步：对经过预处理的飞机图像提取飞机目标轮廓特征，并构造轮廓局部奇异值特征；第四步：根据轮廓局部奇异值向量，构建SLFNs网络，采用实时性好的ELM算法训练SLFNs网络，得到训练好的SLFNs网络；第五步：对训练样本进行初识别，并带入训练好的SLFNs网络中，得到训练样本的观察值序列；第六步：初识别结果构建目标识别率矩阵，实现对每个飞机发射观察值概率矩阵的初始化；第七步：对第二步中的训练样本中的飞机进行状态标注，然后，统计整个样本序列中状态转移的次数，并进行归一化得到一个初始的状态转移概率矩阵；第八步：通过第六步中得到的初始化的发射观察值概率矩阵和第七步中得到的初始化的状态转移概率矩阵，采用有监督的Baum‑Welch算法实现对飞机HMM的训练，得到c个训练好的HMM模型；第九步：对于待识别的飞机序列提取轮廓局部奇异值特征，经过训练好的SLFNs网络得到初识别结果序列，通过第八步中得到的c个训练好的HMM模型，采用长度为T的序列，计算其与每个飞机HMM的相似度，取最大值对应的飞机类别为最终的识别结果。