基于几何重构和多尺度分析的目标识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107516069A(43)申请公布日2017.12.26(21)申请号201710621822.5(22)申请日2017.07.27(71)申请人中国船舶重工集团公司第七二四研究所地址210003江苏省南京市中山北路346号(72)发明人贾倩茜邢永昌刘建孟凡(51)Int.Cl.G06K9/00(2006.01)G06K9/66(2006.01)G06N3/08(2006.01)权利要求书1页说明书4页附图2页(54)发明名称基于几何重构和多尺度分析的目标识别方法(57)摘要本发明涉及一种基于目标几何重构和多尺度分析理论的目标识别方法，首先对目标姿态进行重构：包括飞行姿态归一化和图像预处理；然后采用Contourlet变换提取图像的低频及高频特征向量作为BP神经网络的基础输入训练集和修正基入训练集；最后进行BP神经网络的设计，设计出BP神经网络修正模型，利用高频细节数据修正低频轮廓数据，并确定输入输出层、中间层个数和算法，训练好的网络具有识别能力。选用红外图片库中不同机型互不重叠的图片素材测试该识别方法的精度，结果显示识别率高、识别时间短。证明该发明具有较高的工程可适用性，有一定意义和广泛应用前景。CN107516069ACN107516069A权利要求书1/1页1.一种基于几何重构和多尺度分析的目标识别方法，其特征在于包括以下步骤：步骤1：对图片库中红外目标图像进行飞行姿态的几何重构；步骤2：基于Contourlet变换的图像特征提取：对机型库中目标图像采用2层Contourlet变换提取特征向量，用表达轮廓的低频特征作为基础输入训练集，提取表达细节信息的高频特征向量作为BP神经网络修正训练集输入网络；步骤3：BP神经网络建模：进行神经网络的设计，包括样本归一化，确定神经网络层数，确定隐含层节点个数和中间层、输出层的传递函数；为测试训练结束后的网络精度，对图片库中每种机型各随机选取不重复的若干幅图像用于识别测试。2.根据权利要求1所述的基于几何重构和多尺度分析的目标识别方法，其特征在于所述步骤1包括：提取出飞机中心点，进而提取机身中轴，将轴线方向沿一定角度α旋转可将飞行目标图像转为为机头向上的标准图像；其次进行图像预处理图片几何标准化处理和灰度归一化处理。3.根据权利要求1或2所述的基于几何重构和多尺度分析的目标识别方法，其特征在于所述BP神经网络修正训练为：对特征向量进行分组，所分组数根据图片库大小或机型种类数多少而定，通过高频的细节特征对其低频特征所表达的轮廓信息进行修正，训练好的神经网络能得到一组输出数据，把这组输出数据作为修正得到的数据送入网络，用第2组高频特征向量进行第2次修正，以此类推；通过图像的低频数据和高频数据在神经网络中的多次训练，使得训练好的神经网络具有良好的识别能量，同时支持今后机型库和图片库的扩展。2CN107516069A说明书1/4页基于几何重构和多尺度分析的目标识别方法技术领域[0001]本发明属于雷达数据处理中的机动目标识别领域。背景技术[0002]对于红外图像的目标识别，主要难点在于：1，飞行目标图像通常是抓拍所得，姿态多样性、几何特征不一，增加了识别的难度，如何进行飞行姿态的重构及图像预处理，2，提取特征向量的方法，使其具有良好的目标表征能力；3，模式识别方法，使其识别精度高、时间短。[0003]目前在目标识别领域，图像特征向量提取的方法很多，例如使用小波变换，但小波变换反映的是信号的点奇异性，无法精确描述图像边缘的方向，也无法实现对图像的稀疏表示，从而影响识别精度；识别的方法也很多，有的应用角点特征和核聚类算法，有的是用小波变换进行特征有的基于闭合轮廓特征，有的采用模板匹配等等。发明内容[0004]本发明的目的在于提供一种机动目标识别方法，该方法对飞行姿态进行几何重构，再使用Contourlet变换的多尺度分析方法提取图像低频特征向量和高频特征向量，以低频特征为原始输入参数，通过BP神经网络训练以高频特征向量修正模型，快速有效的实现对不同机型、多种飞行姿态、不同光照明暗变化下的飞行目标进行识别。[0005]实现本发明的技术解决方案为：采用Contourlet变换的图像识别方法和BP神经网络特征向量训练方法相结合的方法。首先对图片库中红外目标图像进行飞行姿态的几何重构；然后基于Contourlet变换的图像特征提取，对机型库中目标图像采用2层Contourlet变换提取特征向量，用表达轮廓的低频特征作为基础输入训练集，提取表达细节信息的高频特征向量作为BP神经网络修正训练集输入网络；最后BP神经网络建模，进行网络设计，包括样本归一化，确定BP神经网络层数，确定隐含层节点个数和中间层、输出层的传递函数；为测试训练