没有合适的资源?快使用搜索试试~ 我知道了~
基于分类器决策融合的红外图像目标识别方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 183 浏览量
2023-02-23
16:47:42
上传
评论
收藏 226KB DOCX 举报
温馨提示
试读
8页
基于分类器决策融合的红外图像目标识别方法.docx
资源推荐
资源详情
资源评论
0. 引 言
红外成像是夜间观测的重要手段,基于获取的图像可开展情报分析和辅助决策。在军
事领域,红外成像是单兵行动和战场侦察的有力工具
[1-3]
。基于获取的高分辨率红外图像,
可对感兴趣的目标进行分析确认,获取其所属类别,即红外图像的自动目标识别。作为监
督模式识别问题,红外目标识别遵循基本的特征提取和分类两个过程。特征提取过程获取
红外图像中目标的关键信息,用于在分类过程中区分不同类别。现阶段用于红外图像的目
标特征既包括描述目标外形的轮廓、区域等,也包括分析图像灰度分布的主成分分析
(Principal component analysis,PCA),还包括描述目标细节特征的局部问题,如局部二
值模式(Local binary pattern,LBP)等
[4-8]
。这些特征各具特点,可以在不同的场合进行针
对性应用,还可以进行适当的融合使用
[9]
。进行分类阶段,可根据选用特征的特点适应性
进行分类器的选择,典型的包括支持向量机(Support vector machine,SVM)、稀疏表示
分类(Sparse representation-based classification,SRC)等
[10-12]
。深度学习算法的兴起为图像
模式识别提供了新的有力工具,出现了多种基于卷积神经网络(Convolutional neural
network,CNN)的红外图像目标识别方法
[13-16]
,并取得了良好的性能。
文中在现有研究的基础上,提出基于分类器决策融合的红外图像目标识别方法。在分
类阶段,选用 SRC 和 CNN 两种分类器,并采用层次化融合思路。SRC 作为第一轮分类
器,可根据其输出的决策结果计算测试样本属于不同类别的概率。在此基础上,利用门限
法获取若干候选类别,即为概率较高的训练类别。CNN 作为第二轮分类器,其同样对不同
类别输出了决策结果。文中针对第一轮获取的候选类别,采用线性加权融合对 SRC 和
CNN 的结果进行融合分析,并据此做出最终的识别决策。特别地,当 SRC 已经可以获得
可靠决策时,则直接输出识别结果,无需进行第二轮识别,保证识别算法的整体效率。因
此,文中方法通过结合 SRC 和 CNN 两类分类器的优势,提升最终的红外目标识别性能。
实验中,在五类日常车辆目标的红外图像数据集上进行测试和对比。根据实验结果,文中
方法的性能优于部分现有方法,针对红外目标识别问题具有良好性能。
1. 分类器原理
1.1 SRC
SRC 通过稀疏表示对未知样本进行表征和描述,并根据描述求解结果的规律性对样本
的类别进行判定
[11, 17-18]
。SRC 首先构建全局字典 A=[A1,A2,⋯,AC]∈Rd×NA=[A1,A2,⋯,AC]∈
Rd×N,其中 Ai∈Rd×Ni(i=1,2,⋯,C)Ai∈Rd×Ni(i=1,2,⋯,C)对应为第 i 类的局部字典,一般为
该类别中的训练样本。基于全局字典对测试样本 yy 进行线性表征,可表示为:
α^=argmin∥α∥0s.t. ∥y−Aα∥22⩽εα^=argmin‖α‖0s.t. ‖y−Aα‖22⩽ε
(1)
资源评论
罗伯特之技术屋
- 粉丝: 3906
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功