[发明专利]一种模糊异谱图像的模板匹配识别方法

摘要

本发明公开了一种模糊异谱图像的模板匹配识别方法，主要针对三维投影模板图像和红外实时图像的异谱匹配问题。方法先搜集红外图像和大量可见光图像，利用基于可见光图像训练的卷积神经网络作为特征提取器，结合难例挖掘机制迭代训练面向单个正样本的样例支撑向量机，从而利用样例支撑向量机遍历红外实时图像进行模板匹配识别。本发明提供的这种模糊异谱图像的模板匹配识别方法，有效地融合了迁移学习和特征选择机制，基于数据驱动有针对性地迁移了可见光图像域的知识，并且通过特征模式判别分析削弱了判别能力不强的特征在模板匹配识别中所起的作用，为模板匹配识别引入了参数化的解决方案。

主权项

1.一种模糊异谱图像的模板匹配识别方法，其特征在于，包括：(1)获取样本图像，对样本图像进行模糊处理得到训练样本，训练样本包括正样本和负样本，正样本为单个三维投影模板图像，负样本为红外图像和若干可见光图像；(2)获取基于大型可见光图像数据集训练的CNN模型，去掉已经训练好的CNN模型的全连接层，得到目标CNN模型；(3)抽取一定量正负样本输入目标CNN模型并进行不同特征图层描述能力的对比试验，综合特征描述能力和效率要求选取一个特征图层进行特征提取，将正样本输入目标CNN模型，得到各个卷积层对应的特征图层，按照对比试验的结果选取对应特征图层进行最大值池化处理得到池化后的特征，对池化后的特征进行向量化和规范化处理，得到正样本的特征描述；(4)利用正样本图像的特征描述初始化ESVM模型的权值向量；(5)从负样本中抽取与正样本特征描述维度相同的负样本特征描述集合；(6)将正样本特征描述和负样本特征描述集合输入ESVM模型，结合难例挖掘机制迭代训练ESVM模型，更新ESVM模型参数，直至模型达到稳定状态，得到最终的ESVM分类器；(7)对待检测的经过模糊处理的红外实时图像进行密集采样得到若干子图，每个子图通过训练好的CNN模型提取特征图层，对特征图层进行处理得到特征描述后输入ESVM分类器，得到所有子图的分值后进行极大值抑制，最高分值的子图对应的位置就是三维投影模板匹配上的红外图上的位置。