CN110598636B - 一种基于特征迁移的舰船目标识别方法 - Google Patents
一种基于特征迁移的舰船目标识别方法 Download PDFInfo
- Publication number
- CN110598636B CN110598636B CN201910866137.8A CN201910866137A CN110598636B CN 110598636 B CN110598636 B CN 110598636B CN 201910866137 A CN201910866137 A CN 201910866137A CN 110598636 B CN110598636 B CN 110598636B
- Authority
- CN
- China
- Prior art keywords
- hog
- domain
- target
- source domain
- target domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013508 migration Methods 0.000 title claims abstract description 15
- 230000005012 migration Effects 0.000 title claims abstract description 15
- 230000006978 adaptation Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 35
- 238000013139 quantization Methods 0.000 claims description 32
- 230000009466 transformation Effects 0.000 claims description 26
- 239000000758 substrate Substances 0.000 claims description 16
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000005251 gamma ray Effects 0.000 claims description 4
- 230000001172 regenerating effect Effects 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 230000008929 regeneration Effects 0.000 claims description 2
- 238000011069 regeneration method Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 abstract description 3
- 238000013526 transfer learning Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 241001544487 Macromiidae Species 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于特征迁移的舰船目标识别方法，它属于舰船目标识别领域。本发明解决了在现有方法中，由于待识别的目标与已知训练的目标数据在外观以及成像质量的特性方面不一样，导致对待识别目标识别的效果差的问题。本发明提取不同分辨率的舰船图像的HOG特征，基于空间对齐与概率适配的的迁移学习方法，将源域的HOG特征和目标域的HOG特征映射到相同的特征空间，然后在同一特征空间中进行概率适配和实例权重调节，重新生成新的源域向量化HOG特征与新的目标域向量化HOG特征，利用新的源域向量化HOG特征对支持向量机进行训练，利用训练好的支持向量机进行待识别图像的目标识别。本发明可以应用于遥感图像中舰船目标的识别。
Description
技术领域
本发明属于舰船目标识别领域，具体涉及一种基于特征迁移的舰船目标识别方法方法。
背景技术
对于光学传感器来说，由于观测位置、高度等发生变化，目标得到的像在分辨率也会发生变化。由于同一目标得到图像的分辨率发生变化，他们往往是服从不同分布的。对于传统的机器学习方法来说，通常是假设训练数据和测试数据是满足同一分布的，但是实际上，光学遥感图像中需要识别的目标往往与已知训练的目标数据在外观、成像质量等特性方面不一样，从而导致不能够很好的对目标进行识别，对待识别目标识别的效果较差。因此，如何提高同源传感器下得到的不同分辨率图像目标识别率，是当前亟待解决的问题之一。
发明内容
本发明的目的是为解决在现有方法中，由于待识别的目标与已知训练的目标数据在外观以及成像质量的特性方面不一样，导致对待识别目标识别的效果差的问题，而提出了一种基于特征迁移的舰船目标识别方法来应用于典型遥感目标识别。
本发明为解决上述技术问题采取的技术方案是：一种基于特征迁移的舰船目标识别方法，该方法包括以下步骤：
步骤一、选取高分辨率舰船图像作为训练集图像，并分别截取出训练集中每张图像的目标切片，将训练集中的高分辨率舰船图像作为源域，即获得源域的目标切片；
步骤二、计算步骤一中获得的源域目标切片的HOG特征，并将计算出的HOG特征向量化，获得源域的向量化HOG特征；
步骤三、对于待目标识别的低分辨率舰船图像，截取出待识别图像的目标切片，将待识别的低分辨率舰船图像作为目标域，即获得目标域的目标切片；
计算出目标域的目标切片的HOG特征，并将计算出的HOG特征向量化，获得目标域的向量化HOG特征；
步骤四、分别对源域的向量化HOG特征和目标域的向量化HOG特征进行标准归一化处理，获得源域的归一化后向量化HOG特征和目标域的归一化后向量化HOG特征；
分别对源域的归一化后向量化HOG特征和目标域的归一化后向量化HOG特征进行PCA变换，来获得源域的子空间的基底以及目标域的子空间的基底；
将源域子空间的基底与目标域子空间的基底进行子空间对齐，生成新的坐标空间；再将源域的归一化后向量化HOG特征与目标域的归一化后向量化HOG特征映射到新的坐标空间中，获得源域和目标域在新坐标空间中的向量化HOG特征；
步骤五、对源域和目标域在新坐标空间中的向量化HOG特征进行概率适配和实例权重调节，重新生成新的源域向量化HOG特征与新的目标域向量化HOG特征；
步骤六、将步骤五重新生成的源域向量化HOG特征输入支持向量机进行训练，当支持向量机的误差函数不再减小时停止训练，获得训练好的支持向量机；
再将步骤五重新生成的目标域向量化HOG特征输入训练好的支持向量机，获得目标识别结果。
本发明的有益效果是：本发明提出了一种基于特征迁移的舰船目标识别方法，本发明提取不同分辨率的舰船图像的HOG特征，基于空间对齐与概率适配的的迁移学习方法，将源域的HOG特征和目标域的HOG特征映射到相同的特征空间，然后在同一特征空间中进行概率适配和实例权重调节，重新生成新的源域向量化HOG特征与新的目标域向量化HOG特征，利用新的源域向量化HOG特征对支持向量机进行训练，利用训练好的支持向量机进行待识别图像的目标识别。
本发明方法对待识别图像的目标识别正确率可以达到98％，与现有方法相比，至少提高3％以上，可见，本发明方法有效提高了对目标识别的效果。
附图说明
图1是本发明的基于特征迁移的舰船目标识别方法的流程图；
图2是低分辨率驱逐舰的示意图；
图3是高分辨率驱逐舰的示意图；
图4是低分辨率巡洋舰的示意图；
图5是高分辨率巡洋舰的示意图；
图6是低分辨率***的示意图；
图7是高分辨率***的示意图；
图8是本发明方法与BDA(平衡分布适配)、JDA(联合概率适配)、SA(子空间对齐)、TCA(迁移成分分析)以及PCA(主成分分析)在1m分辨率下，对驱逐舰、巡洋舰和***的识别正确率的对比图；
图9是本发明方法与BDA、JDA、SA、TCA以及PCA在1m分辨率下，MMD距离的对比图；
图10是本发明方法与BDA、JDA、SA、TCA以及PCA在1m分辨率下，每种方法对三种目标识别的正确率的平均值的对比图；
即计算本发明方法对三种目标识别的正确率的平均值，同理，计算其他5种方法的对三种目标识别的正确率的平均值。
具体实施方式
具体实施方式一：如图1所示。本实施方式所述的一种基于特征迁移的舰船目标识别方法，该方法包括以下步骤：
步骤一、选取高分辨率舰船图像作为训练集图像，并分别截取出训练集中每张图像的目标切片，将训练集中的高分辨率舰船图像作为源域，即获得源域的目标切片；
高分辨率舰船图像是指0.5m分辨率以内；
步骤二、计算步骤一中获得的源域目标切片的HOG特征，并将计算出的HOG特征向量化，获得源域的向量化HOG特征(每个切片均有一个与其对应的向量化HOG特征)；
步骤三、对于待目标识别的低分辨率舰船图像，截取出待识别图像的目标切片，将待识别的低分辨率舰船图像作为目标域，即获得目标域的目标切片；
计算出目标域的目标切片的HOG特征，并将计算出的HOG特征向量化，获得目标域的向量化HOG特征；
低分辨率舰船图像是指1m分辨率以外；
提取高分辨率训练集图像的目标切片和低分辨率待识别图像的目标切片的HOG特征时，关于高分辨率目标切片提取HOG特征：选用对于高分辨率目标合适的胞元和块的大小，应用滤波器获取梯度图，最终得到高分辨率目标的HOG特征；
关于低分辨率目标切片提取HOG特征：选用对于低分辨率目标合适的胞元和块的大小，应用滤波器获取梯度图，最终得到低分辨率目标的HOG特征。
通过选取合适的胞元和块的大小，可以保证高分辨率目标的HOG特征和低分辨率目标的HOG特征的维度相同，提高对待测图像目标识别的准确率。
步骤四、分别对源域的向量化HOG特征和目标域的向量化HOG特征进行标准归一化处理，获得源域的归一化后向量化HOG特征和目标域的归一化后向量化HOG特征；
分别对源域的归一化后向量化HOG特征和目标域的归一化后向量化HOG特征进行PCA变换，来获得源域的子空间的基底以及目标域的子空间的基底；
将源域子空间的基底与目标域子空间的基底进行子空间对齐，生成新的坐标空间；再将源域的归一化后向量化HOG特征与目标域的归一化后向量化HOG特征映射到新的坐标空间中，获得源域和目标域在新坐标空间中的向量化HOG特征；
步骤五、对源域和目标域在新坐标空间中的向量化HOG特征进行概率适配和实例权重调节，重新生成新的源域向量化HOG特征与新的目标域向量化HOG特征；
步骤六、将步骤五重新生成的源域向量化HOG特征输入支持向量机进行训练，当支持向量机的误差函数不再减小时停止训练，获得训练好的支持向量机；
再将步骤五重新生成的目标域向量化HOG特征输入训练好的支持向量机，获得目标识别结果。
本实施方式主要针对同源的光学传感器获取的可见光舰船目标图像，提升了不同分辨率的舰船目标识别率。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中，根据高分辨率舰船图像中目标的大小，来设置目标切片的大小。
对于舰船目标的识别，训练集图像来自于GoogleEarth数据源，训练集图像中的目标分为***、驱逐舰和巡洋舰，且每张训练集图像对应的目标切片的大小相同。
具体实施方式三：本实施方式与具体实施方式二不同的是：所述步骤四的具体过程为：
步骤四一、进行子空间的生成：
分别对源域的向量化HOG特征和目标域的向量化HOG特征进行标准归一化处理(均值为0，方差为1)，获得源域的归一化后向量化HOG特征和目标域的归一化后向量化HOG特征；
对源域的归一化后向量化HOG特征进行PCA(主成分分析)变换后，选择出前d个大的特征值对应的特征向量，将选取出的特征向量作为源域的子空间的基底BS；
同理，对目标域的归一化后向量化HOG特征进行PCA变换后，选择出前d个大的特征值对应的特征向量，将选取出的特征向量作为目标域的子空间的基底BT；
BS,BT∈Rp×d；BS′,BT′是标准正交化矩阵(即BS′BS＝Id,BT′BT＝Id)，其中，Id是d维的单位矩阵；
步骤四二、求取源域与目标域之间的转换矩阵：
通过计算γSBS将源域的每个归一化后向量化HOG特征γS映射到源域的子空间中，通过计算γTBT将目标域的每个归一化后向量化HOG特征γT映射到目标域的子空间中；
通过学习一个转换矩阵，它将源子空间坐标系与目标子空间坐标系对齐；
通过最小化Bregman(布雷格曼)矩阵散度T(F)来学习转换矩阵F，获得转换矩阵的最优解F*；
其中，T(F)为Bregman矩阵散度，
是弗罗贝尼乌斯(Frobenius)范数，由于弗罗贝尼乌斯范数对于正交运算是不变的，所以，将公式(1)写成公式(3)的形式：
由公式(3)可知，转换矩阵的最优解F*由F*＝BS′BT得到；通过最优解F*实现源域子空间基底和目标域子空间基底的对齐，则生成新的坐标空间Ba，Ba的表达式为BSBS′BT；将Ba称作源域到目标域的变换***；
如果源域和目标域子空间基底相同，则转换矩阵F的最优解F*就是单位矩阵；
步骤四三、分别计算出源域和目标域在新的坐标空间中的向量化HOG特征：
ZS＝γSBa (4)
其中：γS为源域的归一化后向量化HOG特征，ZS代表源域在新的坐标空间中的向量化HOG特征；
ZT＝γTBT (5)
其中：γT为目标域的归一化后向量化HOG特征，ZT代表目标域在新的坐标空间中的向量化HOG特征。
在使用空间对齐算法之后，源域和目标域位于相同的特征空间中。但是，在新空间中，源域和目标域的向量化HOG特征的分布并不完全相同。为了提高准确性，使用联合概率自适应方法来调整源自新空间中目标域的概率分布。
具体实施方式四：本实施方式与具体实施方式三不同的是：所述步骤五的具体过程为：
步骤五一、经过子空间对齐后，新坐标空间中的带有标签的源域向量化HOG特征为
新坐标空间中的无标签的目标域向量化HOG特征为
其中：
为新坐标空间中，源域向量化HOG特征的第i个样本，
为第i个样本的标签，i＝1,2,…,n，n为源域向量化HOG特征的样本个数；
为新坐标空间中，目标域向量化HOG特征的第j个样本，j＝1,2,…,m，m为目标域向量化HOG特征的样本个数；
新坐标空间中，源域向量化HOG特征的边缘分布PS(ZS)与目标域向量化HOG特征的边缘分布Pt(ZT)不相等，即PS(ZS)≠Pt(ZT)，且源域向量化HOG特征的条件分布PS(yS|ZS)与目标域向量化HOG特征的条件分布Pt(yt|ZT)不相等，即PS(yS|ZS)≠Pt(yt|ZT)；
最小化边缘分布距离与条件分布距离之和D(ZS|ZT)，进行平衡分布适配；
D(ZS|ZT)＝(1-β)D(Ps(ZS),Pt(ZT))+βD(Ps(ys|ZS),Pt(yt|ZT)) (6)
其中，D(Ps(ZS),Pt(ZT))为边缘分布距离，D(Ps(ys|ZS),Pt(yt|ZT))为条件分布距离，β为平衡因子；
当β→0时，意味着源域向量化HOG特征
与目标域向量化HOG特征
的分布差异大，因此，适配边缘分布更具优势；当β→1时，揭示源域向量化HOG特征
与目标域向量化HOG特征
是相似的，所以条件分布更适合于适配。因此，平衡因子β可以自适应地调节每个分布的重要性，并且取得良好的结果；
步骤五二、使用MMD(最大均值差异)对边缘分布距离与条件分布距离进行估计，将公式(6)改写成公式(7)的形式：
其中，
和
分别表示在新坐标空间中，源域和目标域中属于类别c的样本，nc为源域中属于类别c的样本个数，mc为目标域中属于类别c的样本个数，c∈{1,2,…,C}是类别标签，C为类别总数，H表示再生核希尔伯特空间；
其中，等式右边第一部分表示源域和目标域之间的边缘分布距离，第二部分表示两个域之间条件分布的距离；
步骤五三、通过数学变换和正则化，将公式(7)化简为公式(8)的形式：
其中，A为概率适配的变换矩阵，上角标T代表转置，K0为边缘分布的最大均值差异矩阵，Kc为条件分布的最大均值差异矩阵，Z为源域在新坐标空间中的向量化HOG特征与目标域在新坐标空间中的向量化HOG特征的集合；
Z＝{ZS,ZT}，ZS为在新的坐标空间中，源域向量化HOG特征的全部样本的集合，ZT为在新的坐标空间中，目标域向量化HOG特征的全部样本的集合；
K0和Kc满足：
公式(8)中有两部分，第一部分是边缘分布的适配，第二部分是条件分布的适配；
引入结构稀疏化，调节实例权重。基于等式中的MMD最小化来匹配特征分布对于域适应匹配低阶和高阶统计，但是分布并未完全匹配。特别是当域差异特别大的时，总会存在一些与目标实例无关的源实例。因此，将实例重新加权过程结合BDA，重新加载源实例非常重要。
步骤五四、在概率适配的变换矩阵A上加上l2,1范数进行结构稀疏正则化，即将行稀疏性引入到概率适配的变换矩阵A中；
由于概率适配的变换矩阵A的每一行对应于向量化HOG特征集合Z中的一个样本(即对应于集合Z中的一个向量化HOG特征)，因此，根据行稀疏性确定自适应实例权重，则定义实例权重调节的正则化项为：
其中，As＝A1:n,:是对应于源域在新坐标空间中的向量化HOG特征的概率适配的变换矩阵，At＝An+1:n+m,:是对应于目标域在新坐标空间中的向量化HOG特征的概率适配的变换矩阵；
A1:n,:代表A中第1行至第n行的所有列，An+1:n+m,:代表A中第n+1行至第n+m行的所有列；
在等式(9)中只对源域向量化的HOG特征加了l2,1范数规范化，因为目标是通过与目标域向量化的HOG特征的相关性来重新加权源域向量化的HOG特征。通过最小化等式(10)，与目标域向量化的HOG特征相关(不相关)的源域向量化的HOG特征被自适应地重新加权，在新表示Z＝ATK中具有更大(更小)的重要性。利用这个正则化器，对由不相关向量化的HOG特征引起的域差异具有鲁棒性。
步骤五五、对公式(8)和公式(9)进行结合和优化，得到公式(10)的优化问题：
s.t.ATZH0ZTA＝I
其中，I代表单位矩阵，tr代表矩阵的迹，λ是用于权衡概率适配和实例权重调节的正则化参数，H0是中心矩阵；H0＝I-(1/N)1，N＝n+m；
根据约束优化理论，获得拉格朗日函数L：
其中：Φ为拉格朗日乘数；
步骤五六、对拉格朗日函数L进行求导，令
得到公式(12)：
其中：G是对角子梯度矩阵，根据公式(12)求解概率适配的变换矩阵A；
其中，||As||2,1是零的非平滑函数，||As||2,1的子梯度计算为
G是对角子梯度矩阵，G中的第i个元素Gii等于：
其中：zi为集合Z中的元素，ai为矩阵A中的第i行；由于对角子梯度矩阵G也是未知的，其取决于矩阵A。因此，采用交替优化方法，即迭代地固定一个变量，更新另一个变量。
步骤五七、分别重新生成新的源域向量化HOG特征与新的目标域向量化HOG特征：
Z′S＝ZSAs (13)
其中：Z′S代表重新生成的新的源域向量化HOG特征；
Z′T＝ZTAt (14)
其中：Z′T代表重新生成的目标域向量化HOG特征。
具体实施方式五：本实施方式与具体实施方式四不同的是：所述步骤五一中，平衡因子β的取值范围为β∈[0,1]。
具体实施方式六：本实施方式与具体实施方式五不同的是：所述步骤五五中，正则化参数λ的取值范围的取值范围为[0.1,10]。
采用以下实施例验证本发明的有益效果：
实验数据集中源领域有252艘驱逐舰，160艘巡洋舰和192架***，0.5米分辨率。目标领域有160艘驱逐舰，160艘巡洋舰和212艘的***，1米分辨率。源领域与目标领域的图像的示意图，如图2至图7所示。
通过图8至图10的测试结果表明，本发明提出的方法优于现有的迁移学习方法和不采用迁移学习的方法。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (4)
1.一种基于特征迁移的舰船目标识别方法，其特征在于，该方法包括以下步骤：
步骤一、选取高分辨率舰船图像作为训练集图像，并分别截取出训练集中每张图像的目标切片，将训练集中的高分辨率舰船图像作为源域，即获得源域的目标切片；
步骤二、计算步骤一中获得的源域目标切片的HOG特征，并将计算出的HOG特征向量化，获得源域的向量化HOG特征；
步骤三、对于待目标识别的低分辨率舰船图像，截取出待识别图像的目标切片，将待识别的低分辨率舰船图像作为目标域，即获得目标域的目标切片；
计算出目标域的目标切片的HOG特征，并将计算出的HOG特征向量化，获得目标域的向量化HOG特征；
步骤四、分别对源域的向量化HOG特征和目标域的向量化HOG特征进行标准归一化处理，获得源域的归一化后向量化HOG特征和目标域的归一化后向量化HOG特征；
分别对源域的归一化后向量化HOG特征和目标域的归一化后向量化HOG特征进行PCA变换，来获得源域的子空间的基底以及目标域的子空间的基底；
将源域子空间的基底与目标域子空间的基底进行子空间对齐，生成新的坐标空间；再将源域的归一化后向量化HOG特征与目标域的归一化后向量化HOG特征映射到新的坐标空间中，获得源域和目标域在新坐标空间中的向量化HOG特征；
所述步骤四的具体过程为：
步骤四一、进行子空间的生成：
分别对源域的向量化HOG特征和目标域的向量化HOG特征进行标准归一化处理，获得源域的归一化后向量化HOG特征和目标域的归一化后向量化HOG特征；
对源域的归一化后向量化HOG特征进行PCA变换后，选择出前d个大的特征值对应的特征向量，将选取出的特征向量作为源域的子空间的基底BS；
同理，对目标域的归一化后向量化HOG特征进行PCA变换后，选择出前d个大的特征值对应的特征向量，将选取出的特征向量作为目标域的子空间的基底BT；
步骤四二、求取源域与目标域之间的转换矩阵：
通过计算γSBS将源域的归一化后向量化HOG特征γS映射到源域的子空间中，通过计算γTBT将目标域的归一化后向量化HOG特征γT映射到目标域的子空间中；
通过最小化Bregman矩阵散度T(F)来学习转换矩阵F，获得转换矩阵的最优解F*；
其中，T(F)为Bregman矩阵散度，
是弗罗贝尼乌斯范数，由于弗罗贝尼乌斯范数对于正交运算是不变的，所以，将公式(1)写成公式(3)的形式：
转换矩阵的最优解F*由F*＝BS′BT得到；通过最优解F*实现源域子空间基底和目标域子空间基底的对齐，则生成新的坐标空间为Ba，Ba的表达式为BSBS′BT，BS′为BS的标准正交化矩阵；
步骤四三、分别计算出源域和目标域在新的坐标空间中的向量化HOG特征：
ZS＝γSBa (4)
其中：γS为源域的归一化后向量化HOG特征，ZS代表源域在新的坐标空间中的向量化HOG特征；
ZT＝γTBT (5)
其中：γT为目标域的归一化后向量化HOG特征，ZT代表目标域在新的坐标空间中的向量化HOG特征；
步骤五、对源域和目标域在新坐标空间中的向量化HOG特征进行概率适配和实例权重调节，重新生成新的源域向量化HOG特征与新的目标域向量化HOG特征，具体过程为：
步骤五一、经过子空间对齐后，新坐标空间中的带有标签的源域向量化HOG特征为
新坐标空间中的无标签的目标域向量化HOG特征为
其中：
为新坐标空间中，源域向量化HOG特征的第i个样本，
为第i个样本的标签，i＝1,2,…,n，n为源域向量化HOG特征的样本个数；
为新坐标空间中，目标域向量化HOG特征的第j个样本，j＝1,2,…,m，m为目标域向量化HOG特征的样本个数；
新坐标空间中，源域向量化HOG特征的边缘分布PS(ZS)与目标域向量化HOG特征的边缘分布Pt(ZT)不相等，即PS(ZS)≠Pt(ZT)，且源域向量化HOG特征的条件分布PS(yS|ZS)与目标域向量化HOG特征的条件分布Pt(yt|ZT)不相等，即PS(yS|ZS)≠Pt(yt|ZT)；
最小化边缘分布距离与条件分布距离之和D(ZS|ZT)，进行平衡分布适配；
D(ZS|ZT)＝(1-β)D(Ps(ZS),Pt(ZT))+βD(Ps(ys|ZS),Pt(yt|ZT)) (6)
其中，D(Ps(ZS),Pt(ZT))为边缘分布距离，D(Ps(ys|ZS),Pt(yt|ZT))为条件分布距离，β为平衡因子；
步骤五二、使用MMD对边缘分布距离与条件分布距离进行估计，将公式(6)改写成公式(7)的形式：
其中，
和
分别表示在新坐标空间中，源域和目标域中属于类别c的样本，nc为源域中属于类别c的样本个数，mc为目标域中属于类别c的样本个数，c∈{1,2,…,C}是类别标签，C为类别总数，H表示再生核希尔伯特空间；
步骤五三、通过数学变换和正则化，将公式(7)化简为公式(8)的形式：
其中，A为概率适配的变换矩阵，上角标T代表转置，K0为边缘分布的最大均值差异矩阵，Kc为条件分布的最大均值差异矩阵，Z为源域在新坐标空间中的向量化HOG特征与目标域在新坐标空间中的向量化HOG特征的集合；
Z＝{ZS,ZT}，ZS为在新坐标空间中，源域向量化HOG特征的全部样本的集合，ZT为在新坐标空间中，目标域向量化HOG特征的全部样本的集合；
步骤五四、在概率适配的变换矩阵A上加上l2,1范数进行结构稀疏正则化，即将行稀疏性引入到概率适配的变换矩阵A中；
概率适配的变换矩阵A的每一行对应于向量化HOG特征集合Z中的一个样本，根据行稀疏性确定自适应实例权重，则定义实例权重调节的正则化项为：
其中，As＝A1:n,:是对应于源域在新坐标空间中的向量化HOG特征的概率适配的变换矩阵，At＝An+1:n+m,:是对应于目标域在新坐标空间中的向量化HOG特征的概率适配的变换矩阵；
步骤五五、对公式(8)和公式(9)进行结合和优化，得到公式(10)的优化问题：
其中，I代表单位矩阵，tr代表矩阵的迹，λ是用于权衡概率适配和实例权重调节的正则化参数，H0是中心矩阵；
根据约束优化理论，获得拉格朗日函数L：
其中：Φ为拉格朗日乘数；
步骤五六、对拉格朗日函数L进行求导，令
得到公式(12)：
其中：G是对角子梯度矩阵，根据公式(12)求解概率适配的变换矩阵A；
步骤五七、分别重新生成新的源域向量化HOG特征与新的目标域向量化HOG特征：
Z′S＝ZSAs (13)
其中：Z′S代表重新生成的新的源域向量化HOG特征；
Z′T＝ZTAt (14)
其中：Z′T代表重新生成的目标域向量化HOG特征；
步骤六、将步骤五重新生成的源域向量化HOG特征输入支持向量机进行训练，获得训练好的支持向量机；
再将步骤五重新生成的目标域向量化HOG特征输入训练好的支持向量机，获得目标识别结果。
2.根据权利要求1所述的一种基于特征迁移的舰船目标识别方法，其特征在于，所述步骤一中，根据高分辨率舰船图像中目标的大小，来设置目标切片的大小。
3.根据权利要求2所述的一种基于特征迁移的舰船目标识别方法，其特征在于，所述步骤五一中，平衡因子β的取值范围为β∈[0,1]。
4.根据权利要求3所述的一种基于特征迁移的舰船目标识别方法，其特征在于，所述步骤五五中，正则化参数λ的取值范围的取值范围为[0.1,10]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910866137.8A CN110598636B (zh) | 2019-09-09 | 2019-09-09 | 一种基于特征迁移的舰船目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910866137.8A CN110598636B (zh) | 2019-09-09 | 2019-09-09 | 一种基于特征迁移的舰船目标识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110598636A CN110598636A (zh) | 2019-12-20 |
| CN110598636B true CN110598636B (zh) | 2023-01-17 |
Family
ID=68859314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910866137.8A Active CN110598636B (zh) | 2019-09-09 | 2019-09-09 | 一种基于特征迁移的舰船目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598636B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583201B (zh) * | 2020-04-26 | 2022-04-05 | 浙江大学 | 一种用于构建超分辨率病理显微镜的迁移学习方法 |
| CN111931558A (zh) * | 2020-06-22 | 2020-11-13 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 船舶类别识别方法及*** |
| CN113657541B (zh) * | 2021-08-26 | 2023-10-10 | 电子科技大学长三角研究院(衢州) | 一种基于深度知识集成的领域自适应目标识别方法 |
| CN116229442B (zh) * | 2023-01-03 | 2024-05-28 | 武汉工程大学 | 一种文本图像合成和实例化权重的迁移学习方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102368905A (zh) * | 2008-11-06 | 2012-03-07 | 南卡罗来纳医科大学研究发展基金会 | 酸性神经酰胺酶的向溶酶体抑制剂 |
| CN103268363A (zh) * | 2013-06-06 | 2013-08-28 | 哈尔滨工业大学 | 一种基于弹性hog特征和ddtw匹配的中国书法图像检索方法 |
| CN104751198A (zh) * | 2013-12-27 | 2015-07-01 | 华为技术有限公司 | 图像中的目标物的识别方法及装置 |
| CN105868794A (zh) * | 2016-04-19 | 2016-08-17 | 哈尔滨工业大学 | 一种基于isar图像的舰船目标模糊识别方法 |
| WO2017070322A1 (en) * | 2015-10-21 | 2017-04-27 | Toth, Landy | Controlled and precise treatment of cardiac tissues |
| CN107292246A (zh) * | 2017-06-05 | 2017-10-24 | 河海大学 | 基于hog‑pca和迁移学习的红外人体目标识别方法 |
| CN107832711A (zh) * | 2017-11-13 | 2018-03-23 | 常州大学 | 一种基于迁移学习的行人重识别方法 |
| CN108399420A (zh) * | 2018-01-30 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种基于深度卷积网络的可见光舰船虚警剔除方法 |
| CN108647702A (zh) * | 2018-04-13 | 2018-10-12 | 湖南大学 | 一种基于迁移学习的大规模食材图像分类方法 |
| KR101914717B1 (ko) * | 2017-09-28 | 2018-11-02 | 전남대학교산학협력단 | 대칭 양정치 행렬의 곱 다양체에 대해 재생 커널 힐버트 공간을 이용한 인간 행동 인식 방법 |
| CN109325507A (zh) * | 2018-10-11 | 2019-02-12 | 湖北工业大学 | 一种结合超像素显著性特征与hog特征的图像分类算法和*** |
| CN109359623A (zh) * | 2018-11-13 | 2019-02-19 | 西北工业大学 | 基于深度联合分布适配网络的高光谱图像迁移分类方法 |
| CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与*** |
| CN109766811A (zh) * | 2018-12-31 | 2019-05-17 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
| CN110210545A (zh) * | 2019-05-27 | 2019-09-06 | 河海大学 | 基于迁移学习的红外遥感水体分类器构建方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11061165B2 (en) * | 2008-10-08 | 2021-07-13 | Chester A. Wallace | System, method and apparatus for exploration |
| US11501152B2 (en) * | 2017-05-05 | 2022-11-15 | Intel Corporation | Efficient learning and using of topologies of neural networks in machine learning |
| CN109389174B (zh) * | 2018-10-23 | 2021-04-13 | 四川大学 | 一种人群聚集敏感图像检测方法 |
-
2019
- 2019-09-09 CN CN201910866137.8A patent/CN110598636B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102368905A (zh) * | 2008-11-06 | 2012-03-07 | 南卡罗来纳医科大学研究发展基金会 | 酸性神经酰胺酶的向溶酶体抑制剂 |
| CN103268363A (zh) * | 2013-06-06 | 2013-08-28 | 哈尔滨工业大学 | 一种基于弹性hog特征和ddtw匹配的中国书法图像检索方法 |
| CN104751198A (zh) * | 2013-12-27 | 2015-07-01 | 华为技术有限公司 | 图像中的目标物的识别方法及装置 |
| WO2017070322A1 (en) * | 2015-10-21 | 2017-04-27 | Toth, Landy | Controlled and precise treatment of cardiac tissues |
| CN105868794A (zh) * | 2016-04-19 | 2016-08-17 | 哈尔滨工业大学 | 一种基于isar图像的舰船目标模糊识别方法 |
| CN107292246A (zh) * | 2017-06-05 | 2017-10-24 | 河海大学 | 基于hog‑pca和迁移学习的红外人体目标识别方法 |
| KR101914717B1 (ko) * | 2017-09-28 | 2018-11-02 | 전남대학교산학협력단 | 대칭 양정치 행렬의 곱 다양체에 대해 재생 커널 힐버트 공간을 이용한 인간 행동 인식 방법 |
| CN107832711A (zh) * | 2017-11-13 | 2018-03-23 | 常州大学 | 一种基于迁移学习的行人重识别方法 |
| CN108399420A (zh) * | 2018-01-30 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种基于深度卷积网络的可见光舰船虚警剔除方法 |
| CN108647702A (zh) * | 2018-04-13 | 2018-10-12 | 湖南大学 | 一种基于迁移学习的大规模食材图像分类方法 |
| CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与*** |
| CN109325507A (zh) * | 2018-10-11 | 2019-02-12 | 湖北工业大学 | 一种结合超像素显著性特征与hog特征的图像分类算法和*** |
| CN109359623A (zh) * | 2018-11-13 | 2019-02-19 | 西北工业大学 | 基于深度联合分布适配网络的高光谱图像迁移分类方法 |
| CN109766811A (zh) * | 2018-12-31 | 2019-05-17 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
| CN110210545A (zh) * | 2019-05-27 | 2019-09-06 | 河海大学 | 基于迁移学习的红外遥感水体分类器构建方法 |
Non-Patent Citations (5)
| Title |
|---|
| A Transfer Learning Method For Ship Recognition In Multi-Optical Remote Sensing Satellites;Hongbo Li;《2018 IEEE/CIC International Conference on Communications in China (ICCC Workshops)》;20190328;第43-48页 * |
| A Transfer Learning Method of Ship Identification Based on Weighted Hog Features;Hongbo Li;《IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium》;20190802;第1302-1305页 * |
| Recognition of seed varieties using neural networks analysis of electrophoretic images;M. Jedra;《Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks》;20001231;第521-526页 * |
| 一种光学遥感图像船舶目标检测技术;方梦梁;《计算机技术与发展》;20190830;第136-141页 * |
| 航天运载器端面特征的新型图像特征识别方法;陈浩等;《传感器与微***》;20161231;第46-49页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110598636A (zh) | 2019-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598636B (zh) | 一种基于特征迁移的舰船目标识别方法 | |
| WO2021120752A1 (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
| TWI742382B (zh) | 透過電腦執行的、用於車輛零件識別的神經網路系統、透過神經網路系統進行車輛零件識別的方法、進行車輛零件識別的裝置和計算設備 | |
| US7961952B2 (en) | Method and system for detecting and tracking objects in images | |
| US7711156B2 (en) | Apparatus and method for generating shape model of object and apparatus and method for automatically searching for feature points of object employing the same | |
| CN105354595B (zh) | 一种鲁棒视觉图像分类方法及*** | |
| CN109214470B (zh) | 一种基于编码网络微调的图像能见度检测方法 | |
| CN108121962B (zh) | 基于非负自适应特征提取的人脸识别方法、装置及设备 | |
| WO2022218396A1 (zh) | 图像处理方法、装置和计算机可读存储介质 | |
| CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
| US20160078634A1 (en) | Methods and systems for image matting and foreground estimation based on hierarchical graphs | |
| CN110443169B (zh) | 一种边缘保留判别分析的人脸识别方法 | |
| CN114512191A (zh) | 一种基于迁移成分分析的青霉素浓度预测方法 | |
| Wang et al. | A novel sparse boosting method for crater detection in the high resolution planetary image | |
| CN109886315B (zh) | 一种基于核保持的图像相似性度量方法 | |
| CN114565861A (zh) | 基于概率统计微分同胚集匹配的机载下视目标图像定位方法 | |
| Yang et al. | Non-rigid point set registration via global and local constraints | |
| CN104050489B (zh) | 一种基于多核最优化的合成孔径雷达自动目标识别方法 | |
| CN113313179A (zh) | 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法 | |
| US20230306718A1 (en) | System and method using pyramidal and uniqueness matching priors for identifying correspondences between images | |
| CN112465062A (zh) | 一种基于流形学习和秩约束的聚类方法 | |
| CN116740421A (zh) | 基于无监督公共子空间学习模型的遥感图像分类方法和装置 | |
| CN109815889B (zh) | 一种基于特征表示集的跨分辨率人脸识别方法 | |
| CN109543717B (zh) | 基于自适应邻域及字典的联合协作表达高光谱分类方法 | |
| US11756319B2 (en) | Shift invariant loss for deep learning based image segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |