CN114764879A - 一种基于雷达红外融合特征的空中目标识别方法 - Google Patents
一种基于雷达红外融合特征的空中目标识别方法 Download PDFInfo
- Publication number
- CN114764879A CN114764879A CN202210259801.4A CN202210259801A CN114764879A CN 114764879 A CN114764879 A CN 114764879A CN 202210259801 A CN202210259801 A CN 202210259801A CN 114764879 A CN114764879 A CN 114764879A
- Authority
- CN
- China
- Prior art keywords
- feature
- feature set
- radar
- infrared
- target
- 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.)
- Pending
Links
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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明公开了一种基于雷达红外融合特征的空中目标识别方法,包括:获取待训练目标对应的第一特征集,其中,所述第一特征集包括:第一雷达特征集和第一红外特征集;基于所述第一特征集,确定预设鉴别器模型;获取待识别目标对应的第二特征集,其中,所述第二特征集包括:第二雷达特征集和第二红外特征集;通过所述预设鉴别器模型分析所述第二特征集,以确定所述待识别目标的类别,实现目标识别;其中,所述类别包括库内目标和库外目标。本发明能够提高空中目标识别准确度和效率。
Description
技术领域
本发明属于信息融合技术领域,具体涉及一种基于雷达红外融合特征的空中目标识别方法。
背景技术
多模复合寻的制导技术已成为精确制导武器的一个主流研究方向。
现有技术中,通常采用毫米波雷达导引头进行空中目标识别,虽然毫米波雷达导引头具有探测距离远、可全天候工作等优点,但其易受电子干扰、电子欺骗,从而影响了空中目标识别的探测精度和探测效率;另外,现有技术中还采用红外热成像导引头进行空中目标识别,虽然红外热成像导引头具有探测精度较高、抗干扰能力强等优点,但探测距离近,从而限制了目标识别范围。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于雷达红外融合特征的空中目标识别方法。本发明要解决的技术问题通过以下技术方案实现:
一种基于雷达红外融合特征的空中目标识别方法,包括:步骤1:获取待训练目标对应的第一特征集,其中,所述第一特征集包括:第一雷达特征集和第一红外特征集;步骤2:基于所述第一特征集,确定预设鉴别器模型;步骤3:获取待识别目标对应的第二特征集,其中,所述第二特征集包括:第二雷达特征集和第二红外特征集;步骤4:通过所述预设鉴别器模型分析所述第二特征集,以确定所述待识别目标的类别,实现目标识别;其中,所述类别包括待攻击目标和干扰目标。
在本发明的一个实施例中,所述步骤1包括:步骤1-1:获取待训练目标对应的待训练特征集,所述待训练特征集包括待训练雷达特征集{x1,x2,…,xi,…,xm}和待训练红外特征集{y1,y2,…,yj,…,yn};其中,xi∈R,1≤i≤m,m为雷达特征的维度;yj∈R,1≤j≤n,n为红外特征的维度,R为实数集;步骤1-2:基于预设标准化处理算法,对所述待训练雷达特征集和待训练红外特征集分别进行标准化处理,以得到第一雷达特征集X和第一红外特征集Y,表示为:
其中,μi和σi分别表示待训练雷达特征xi的均值和方差,μj和σj分别表示待训练红外特征yj的均值和方差;将第一雷达特征集X表示为:X={X1,X2,…,Xi,…,Xm};将第一红外特征集Y表示为:Y={Y1,Y2,…,Yj,…,Yn}。
在本发明的一个实施例中,所述步骤2包括:步骤2-1:基于特征选择算法,从所述第一雷达特征集中获取第一雷达鉴别特征X(f),以及从所述第一红外特征集中获取第一红外鉴别特征Y(g);步骤2-2:基于预设特征融合算法,对所述第一雷达鉴别特征和第一红外鉴别特征进行特征融合处理,以得到第一融合特征向量;步骤2-3:基于所述第一融合特征向量,建立预设鉴别器模型。
本发明的有益效果:
1)具有实时处理能力。
现有的决策级融合目标识别方法难以挖掘雷达传感器和红外传感器的深层信息。在本发明中,将雷达和红外两个不同特征集通过特征选择方法进行特征权重排序,排序后筛选出可分性最佳的特征集,既降低了特征维度,可以实时处理数据,又能达到良好的目标识别效果。
2)提高了雷达红外***对空目标识别的能力。
现有的决策融合方法在实际应用中会面临基本概率赋值(Basic ProbabilityAssignment,BPA)构造符合实际较为困难和冲突证据融合的问题,通常会导致识别效果大大下降,这极大的限制了决策融合目标识别算法的性能。在本发明中,在特征层应用特征融合再去做目标识别,极大的保留了雷达红外的深层信息,可以较大的提高信息融合***对库内外目标的鉴别能力。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1为本发明提供的一种基于雷达红外融合特征的空中目标识别方法流程示意图;
图2为本发明提供的另一种基于雷达红外融合特征的空中目标识别方法流程示意图;
图3为多评价准则特征选择算法流程示意图;
图4为基于相关判别分析的特征融合算法流程示意图;
图5为目标鉴别实现流程示意图;
图6为三种算法特征权重结果示意图;
图7为三种算法平均鉴别率示意图;
图8为三种算法特征空间对比示意图;其中,(a)图为Relief算法的特征空间图;(b)图为MRMR算法的特征空间图;(c)图为多评价准则算法的特征空间图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
毫米波雷达/红外热成像双模复合制导***利用各单模的优势组合探测,可以取长补短,弥补彼此单一制导下的缺陷与不足。基于特征级的信息融合技术能够在各种复杂、不确定性的情况下,融合来自雷达与红外导引头所提供的多源特征信息,滤除无用特征与冗余特征,降低特征维度,在一定程度上解决数据异构问题,从而提高信息融合***在目标分类任务中的精度与效率。
基于融合特征的目标识别技术是在雷达对目标进行探测与定位的基础上,提取目标的雷达红外特征,实现对目标属性和类型的判断。针对空中战场环境,由于背景干净,无需考虑自然环境的干扰,空中目标识别只需识别出敌方战机和排除几种典型雷达红外干扰。按照所处理对象的数据类型不同,目标属性融合分为数据级融合、特征级融合和决策级融合。本发明采用的特征级融合的优点在于比起数据级融合其实现了信息压缩,有利于实时处理;比起决策级融合则多保留了目标的信息,减少了信息损失。
本发明的目的在于提供一种基于雷达红外融合特征的空中目标识别方法,解决了对空场景下使用特征级信息融合完成空中目标识别的问题,提高了信息融合***的目标鉴别性能,可用于雷达和红外复合制导中对敌方目标的身份确认;在保证类间散布矩阵最大,类内散步矩阵最小的同时,可降低特征维度,有利于进一步提高信息融合***的鉴别性能。
实施例
请参见图1,图1是本发明实施例提供的一种基于雷达红外融合特征的空中目标识别方法流程示意图。
实现本发明目的的技术思路是:1)离线训练阶段,分别提取雷达与红外探测器目标训练样本的特征,利用仿真数据分析各个特征的可分性,进行有效的特征选择。在此基础上,利用特征级融合算法对雷达与红外特征进行融合,得到训练样本的融合后特征矢量。再利用支持向量域描述(SVDD,Support Vector Data Description)模型作为目标鉴别器模型,该模型可以有效的对库内目标与库外目标进行区分,利用该模型进行训练,并生成多传感器融合的目标训练鉴别库。2)在线鉴别阶段,对传感器收到的目标雷达与红外特征进行融合生成特征矢量,鉴别库向鉴别器提供支持向量、特征区域半径、特征区域统计均值向量等,最后利用SVDD模型对所得的融合特征向量进行判别,以确定该目标是否为库内目标。
所述方法包括:
步骤1:获取待训练目标对应的第一特征集,其中,所述第一特征集包括:第一雷达特征集和第一红外特征集。
可选的,所述步骤1包括:
步骤1-1:获取待训练目标对应的待训练特征集,所述待训练特征集包括待训练雷达特征集{x1,x2,…,xi,…,xm}和待训练红外特征集{y1,y2,…,yj,…,yn}。
其中,xi∈R,1≤i≤m,m为雷达特征的维度;yj∈R,1≤j≤n,n为红外特征的维度,R为实数集。
步骤1-2:基于预设标准化处理算法,对所述待训练雷达特征集和待训练红外特征集分别进行标准化处理,以得到第一雷达特征集X和第一红外特征集Y,表示为:
其中,μi和σi分别表示待训练雷达特征xi的均值和方差,μj和σj分别表示待训练红外特征yj的均值和方差。
将第一雷达特征集X表示为:X={X1,X2,…,Xi,…,Xm}。
将第一红外特征集Y表示为:Y={Y1,Y2,…,Yj,…,Yn}。
预设标准化处理算法如Z-Score方法,标准化处理指的是将特征数据缩放至[0,1]区间内,即Xi∈[0,1],Yj∈[0,1]。
步骤2:基于所述第一特征集,确定预设鉴别器模型。
可选的,所述步骤2包括:
步骤2-1:基于特征选择算法,从所述第一雷达特征集中获取第一雷达鉴别特征X(f),以及从所述第一红外特征集中获取第一红外鉴别特征Y(g);
可选的,所述步骤2-1之前,所述方法还包括:
步骤S11:基于Relief评价准则计算所述第一雷达特征集和第一红外特征集中的每个特征对应的第一权重值,并对第一权重值进行排序,表示为:
Sort(Relief)=[SR(1),SR(2),…,SR(i),…,SR(N)],
其中,N表示特征数量,SR(·)表示第一权重值;
需要说明的是,计算得到的权重值越大,特征的分类性能越强。
步骤S12:基于MRMR评价准则计算所述第一雷达特征集和第一红外特征集中每个特征对应的第二权重值,并对第二权重值进行排序,表示为:
Sort(MRMR)=[SM(1),SM(2),…,SM(i),…,SM(N)],
其中,SM(·)表示第二权重值;
步骤S13:基于序关系分析算法,对所述第一权重值和所述第二权重值进行排序,得到综合排序结果S(i),表示为:
S(i)=w1SR(i)+w2SM(i),
其中,w1和w2分别表示不同评价准则的权值系数。
S(i)是经过融合处理后第i个特征在N维特征集中的权重排序序号。
可选的,所述步骤2-1包括:
按照特征选择算法,从第一权重值和第二权重值的排序结果中,获取第一雷达鉴别特征X(f)和第一红外鉴别特征Y(g)。
经过特征选择算法得到的鉴别特征具有鉴别效果好,维数最小的特点。
步骤2-2:基于预设特征融合算法,对所述第一雷达鉴别特征和第一红外鉴别特征进行特征融合处理,以得到第一融合特征向量;
所述预设特征融合算法如相关判别分析特征融合算法。
可选的,所述步骤2-2包括:
步骤2-21:将融合准则函数表示为:
其中,α与β表示T维非零相关判别向量(Correlation Discrimination Vector,CDV),Sbx为X的类间散布矩阵,Swx为X的类内散布矩阵,Scx为X的自协方差矩阵,Sc为互协方差矩阵;
步骤2-22:基于拉格朗日乘子法求解所述融合准则函数,得到优化后的目标函数,表示为:
为求解,可以对其进行拆分,形成三个独立的部分,并分别利用拉格朗日乘子法进行求解。被拆分成的三部分分别为Fisher判别模型部分,用以实现对不同类型目标间可分性的分析与优化;典型相关分析(Canonical Correlation Analysis,CCA)模型部分用以最大化两个特征分量之间的类内相关性,并实现融合;一种改进的CCA模型部分,用以去除类间的相关性。
步骤2-23:获得第一雷达特征集对应的解,表示为:
利用相同的方式,获得第一红外特征集对应的解,表示为:
步骤2-24:获取所述第一雷达特征集和所述第一红外特征集的转换权值WCDVx和WCDVy,表示为:
步骤2-25:基于所述转换权值,对所述第一雷达鉴别特征和第一红外鉴别特征进行特征融合处理,以得到第一融合特征向量Z,表示为:
步骤2-3:基于所述第一融合特征向量,建立预设鉴别器模型。
在步骤2-3中,预选取SVDD单分类器,通过寻找支持向量确定样本特征区域边界,利用边界与待测样本距离进行类别判决。设计了一种空中目标SVDD鉴别器模型。在训练阶段利用基于相关系数预处理的K-Means聚类方法对库内目标样本特征空间进行区域划分,并采用一种支持向量域描述方法确定样本特征空间的边界与支持向量,利用样本特征空间边界进行第一次判决,并利用加权K近邻原则,计算测试样本与各个特征分布区域支持向量的距离,从而得到最终判决结果。
目标特征空间经聚类处理后,各个子区域呈现出中心聚合性分布的特点。针对每个特征子区域,根据其样本空间分布情况寻找一个包含该特征区域全部样本半径为的超球体,同时使半径R最小,以期望获取可以准确描述特征区域全部样本分布的一个紧凑的超球边界。
其中,Xi(i=1,2,…,np)为第p个特征子区域的特征向量,np为第p个特征区域的特征向量数目,其中R为SVDD半径,C表示权重因子,ξi表示松弛向量,α表示超球体球心,ρ(Xi)为特征空间密度中心偏离权值,δ(Xi)为样本特征空间区域密度权值。
利用拉格朗日算子求解,
可选的,所述步骤2-3之后,所述方法还包括:
步骤S21:获取待测试目标对应的第三特征集,其中,所述第三特征集包括:第三雷达特征集和第三红外特征集;
步骤S22:基于所述第三特征集,调整所述预设鉴别器模型的参数,以得到预设目标鉴别器模型。
目标特征空间经聚类算法与SVDD算法后,特征空间已可简化由支撑向量X′i,p、特征区域半径Rp与特征区域的统计均值向量Op表示。对待测试目标进行特征提取,得到特征向量为Z,计算向量D中各个支撑向量所对应的权值:
在此基础上计算待测试目标的K近邻特征向量的均值向量:
计算Xmean与待测试目标之间的L1范数距离:
设定阈值,当d2(Z,Xmean)≥ξ时待测试目标为库外目标,当d2(Z,Xmean)<ξ时待测试目标为库内目标。
本发明能够通过待测试目标,调整预设鉴别器模型的参数,使鉴别效果达到最佳。
步骤3:获取待识别目标对应的第二特征集,其中,所述第二特征集包括:第二雷达特征集和第二红外特征集。
步骤4:通过所述预设鉴别器模型分析所述第二特征集,以确定所述待识别目标的类别,实现目标识别;其中,所述类别包括库内目标和库外目标。
所述库内目标又称待攻击目标,所述库外目标又称干扰目标。
可选的,所述通过所述预设鉴别器模型分析所述第二特征集,包括:
通过所述预设目标鉴别器模型分析所述第二特征集。
需要说明的是,本发明基于待识别目标对应的第二特征集,获取第二融合特征向量,待识别目标对应的第二融合特征向量的获取方式与待训练目标对应的第一融合特征向量的获取方式相同,即,基于第二雷达特征集和第二红外特征集,获取第二雷达鉴别特征和第二红外鉴别特征,进一步得到第二融合特征向量,并通过所述预设鉴别器模型分析所述第二融合特征向量,以确定所述待识别目标是库内目标或库外目标。另外,鉴别器模型是基于支持向量机单分类器的理论设计得到。
参见图2为本发明提供的另一种基于雷达红外融合特征的空中目标识别方法流程示意图;
综上,本发明的有益效果:
1)具有实时处理能力。
现有的决策级融合目标识别方法难以挖掘雷达传感器和红外传感器的深层信息。在本发明中,将雷达和红外两个不同特征集通过特征选择方法进行特征权重排序,排序后筛选出可分性最佳的特征集,既降低了特征维度,可以实时处理数据,又能达到良好的目标识别效果。
2)提高了雷达红外***对空目标识别的能力。
现有的决策融合方法在实际应用中会面临BPA构造符合实际较为困难和冲突证据融合的问题,通常会导致识别效果大大下降,这极大的限制了决策融合目标识别算法的性能。在本发明中,在特征层应用特征融合再去做目标识别,极大的保留了雷达红外的深层信息,可以较大的提高信息融合***对库内外目标的鉴别能力。
进一步基于实验验证本发明有益效果:
1、实验条件:
对采集到的雷达红外传感器信息进行特征提取后,采用前述提到的特征选择算法进行排序,排序结果如图6所示,特征可分性好的特征占有更高的权值。将排序结果结合图7的特征子集维度与三种算法平均鉴别准确率的关系图,可以得到最佳的特征子集,这样,既保证了鉴别效果,也使得用于鉴别的特征子集维度最小,保证了算法的实时性。最终特征选择结果和鉴别结果如下:
提取雷达和红外的特征集合分别为{信噪比特征、幅值方差特征、频域方差特征}、{紧凑度特征、均值对比度特征、标准偏差特征、胡氏不变矩特征},具体的样本集如表1所示。
表1样本集
这里共设置两个实验:实验1采用特征空间评价准则对比Relief、MRMR和多评价准则三种算法在多维融合特征空间的优劣;实验2根据实验1的结果,固定融合特征维度,得到特征级融合特征的目标鉴别结果,对比决策级的鉴别结果,比较两者的鉴别准确率。
2、实验内容:
实验1,将雷达特征集和红外特征集通过Relief、MRMR和多评价准则三种算法分别融合至1~16维特征进行对比分析,实验结果如图7所示。
图7是三种算法特征空间评分对比。由图7可以得出以下结论:(1)Relief、MRMR、多评价准则三种算法在融合特征分量维度设置过小和过大时,其评分比维度的中间量小很多;经分析,当维度设置过小时,比如1维,所得到的特征分量所包含的目标特性信息过少,所形成的特征空间库内外特征分布相对混乱,不足以将库内外目标进行有效区分;当维度设置过大时,比如16维,此时与雷达+红外最优特征子集特征位数相等,相当于未进行特征层融合,即就是未把来自雷达、红外两个传感器的具有冗余的特征信息摒弃,故造成特征空间评价低的结果;(2)另一方面,从总体上来看,特征空间的评分顺序是:多评价准则>MRMR>Relief,从理论上分析可得,Relief算法中特征和类别的相关性是基于特征对近距离样本的区分能力,MRMR算法是在原始特征集合中找到与最终输出结果相关性最大(Max-Relevance),但是特征彼此之间相关性最小(Min-Relevance)的一组特征,而多评价准则结合了两者的优点,使得选择出的特征更具可分性。
为了更直观的看出三种算法的特征空间分布,选取融合特征分量维度Dim=3,图8是三种算法在Dim=3时的特征空间对比图。图中用“○”表示库内目标战斗机,“◇”表示库内目标预警机,“□”表示库内目标空中加油机,“*”表示库外目标雷达拖曳干扰。
从图8可以看出,Relief算法与MRMR算法所得到的特征空间相差不大,库内外目标的特征之间相互粘连,这对于在鉴别阶段剔除库外目标是极不利的。而本申请所用到多评价准则算法相对来说类内聚合型更强,类间距离更大,有助于更好的区分库内外目标,故特征空间的评分较其他两者更高,所反映出的情况与上图相一致。
实验2,将决策融合、雷达单模、红外单模、雷达红外双模融合这四种情况下的对库内外目标的鉴别准确率进行简要对比,以此来分析本文算法对复合导引头目标鉴别性能的影响,结果如表2所示。
表2四种情况下的鉴别准确率
在表2中,决策融合是基于特征BPA的鉴别结果,雷达单模和红外双模的鉴别率分别对应其最优特征子集的鉴别结果,双模融合是将雷达和红外的最优特征子集通过多评价准则选择后进行特征融合的鉴别结果。
显然,由表2可以得出结论:在鉴别准确率方面,本文所提算法>决策融合算法>雷达/红外单模。主要原因在于,本文所提算法在雷达和红外特征融合的基础上,针对融合特征分量在离线学习阶段通过对样本特征的训练,所以鉴别准确率高于其他融合算法。另外,无论是选择何种融合算法,相较于单模,其鉴别性能均有所提升。
综上,本发明在特征层进行目标识别,相较于传统的决策层进行融合来说,可以得到更好的鉴别准确率。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于雷达红外融合特征的空中目标识别方法,其特征在于,包括:
步骤1:获取待训练目标对应的第一特征集,其中,所述第一特征集包括:第一雷达特征集和第一红外特征集;
步骤2:基于所述第一特征集,确定预设鉴别器模型;
步骤3:获取待识别目标对应的第二特征集,其中,所述第二特征集包括:第二雷达特征集和第二红外特征集;
步骤4:通过所述预设鉴别器模型分析所述第二特征集,以确定所述待识别目标的类别,实现目标识别;其中,所述类别包括库内目标和库外目标。
2.根据权利要求1所述的方法,其特征在于,所述步骤1包括:
步骤1-1:获取待训练目标对应的待训练特征集,所述待训练特征集包括待训练雷达特征集{x1,x2,…,xi,…,xm}和待训练红外特征集{y1,y2,…,yj,…,yn};
其中,xi∈R,1≤i≤m,m为雷达特征的维度;yj∈R,1≤j≤n,n为红外特征的维度,R为实数集;
步骤1-2:基于预设标准化处理算法,对所述待训练雷达特征集和待训练红外特征集分别进行标准化处理,以得到第一雷达特征集X和第一红外特征集Y,表示为:
其中,μi和σi分别表示待训练雷达特征xi的均值和方差,μj和σj分别表示待训练红外特征yj的均值和方差;
将第一雷达特征集X表示为:X={X1,X2,…,Xi,…,Xm};
将第一红外特征集Y表示为:Y={Y1,Y2,…,Yj,…,Yn}。
3.根据权利要求2所述的方法,其特征在于,所述步骤2包括:
步骤2-1:基于特征选择算法,从所述第一雷达特征集中获取第一雷达鉴别特征X(f),以及从所述第一红外特征集中获取第一红外鉴别特征Y(g);
步骤2-2:基于预设特征融合算法,对所述第一雷达鉴别特征和第一红外鉴别特征进行特征融合处理,以得到第一融合特征向量;
步骤2-3:基于所述第一融合特征向量,建立预设鉴别器模型。
4.根据权利要求2所述的方法,其特征在于,所述步骤2-1之前,所述方法还包括:
步骤S11:基于Relief评价准则计算所述第一雷达特征集和第一红外特征集中的每个特征对应的第一权重值,并对第一权重值进行排序,表示为:
Sort(Relief)=[SR(1),SR(2),…,SR(i),…,SR(N)],
其中,N表示特征数量,SR(·)表示第一权重值;
步骤S12:基于MRMR评价准则计算所述第一雷达特征集和第一红外特征集中每个特征对应的第二权重值,并对第二权重值进行排序,表示为:
Sort(MRMR)=[SM(1),SM(2),…,SM(i),…,SM(N)],
其中,SM(·)表示第二权重值;
步骤S13:基于序关系分析算法,对所述第一权重值和所述第二权重值进行排序,得到综合排序结果S(i),表示为:
S(i)=w1SR(i)+w2SM(i),
其中,w1和w2分别表示不同评价准则的权值系数;
所述步骤2-1包括:
按照特征选择算法,从第一权重值和第二权重值的排序结果中,获取第一雷达鉴别特征X(f)和第一红外鉴别特征Y(g)。
5.根据权利要求2所述的方法,其特征在于,所述步骤2-2包括:
步骤2-21:将融合准则函数表示为:
其中,α与β表示T维非零相关判别向量,Sbx为X的类间散布矩阵,Swx为X的类内散布矩阵,Scx为X的自协方差矩阵,Sc为互协方差矩阵;
步骤2-22:基于拉格朗日乘子法求解所述融合准则函数,得到优化后的目标函数,表示为:
步骤2-23:获得第一雷达特征集对应的解,表示为:
获得第一红外特征集对应的解,表示为:
步骤2-24:获取所述第一雷达特征集和所述第一红外特征集的转换权值WCDVx和WCDVy,表示为:
步骤2-25:基于所述转换权值,对所述第一雷达鉴别特征和第一红外鉴别特征进行特征融合处理,以得到第一融合特征向量Z,表示为:
6.根据权利要求3所述的方法,其特征在于,所述步骤2-3之后,所述方法还包括:
步骤S21:获取待测试目标对应的第三特征集,其中,所述第三特征集包括:第三雷达特征集和第三红外特征集;
步骤S22:基于所述第三特征集,调整所述预设鉴别器模型的参数,以得到预设目标鉴别器模型;
所述通过所述预设鉴别器模型分析所述第二特征集,包括:
通过所述预设目标鉴别器模型分析所述第二特征集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210259801.4A CN114764879A (zh) | 2022-03-16 | 2022-03-16 | 一种基于雷达红外融合特征的空中目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210259801.4A CN114764879A (zh) | 2022-03-16 | 2022-03-16 | 一种基于雷达红外融合特征的空中目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114764879A true CN114764879A (zh) | 2022-07-19 |
Family
ID=82364971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210259801.4A Pending CN114764879A (zh) | 2022-03-16 | 2022-03-16 | 一种基于雷达红外融合特征的空中目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764879A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091883A (zh) * | 2023-04-10 | 2023-05-09 | 深圳市普雷德科技有限公司 | 基于多源信息融合的目标检测识别方法、***及存储介质 |
-
2022
- 2022-03-16 CN CN202210259801.4A patent/CN114764879A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091883A (zh) * | 2023-04-10 | 2023-05-09 | 深圳市普雷德科技有限公司 | 基于多源信息融合的目标检测识别方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309302B (zh) | 一种结合svm和半监督聚类的不平衡文本分类方法及*** | |
Yoon et al. | LFIQ: Latent fingerprint image quality | |
EP2273424A1 (en) | Automated target detection and recognition system and method | |
Hambalık | Fingerprint recognition system using artificial neural network as feature extractor: design and performance evaluation | |
CN103440508B (zh) | 基于视觉词袋模型的遥感图像目标识别方法 | |
Bhuyan et al. | An effective method for fingerprint classification | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN109613485A (zh) | 一种基于支持向量聚类和灰关联度的雷达信号分选方法 | |
CN111783837A (zh) | 一种基于多核学习的特征融合方法 | |
CN105809113A (zh) | 三维人脸识别方法及应用其的数据处理装置 | |
CN114764879A (zh) | 一种基于雷达红外融合特征的空中目标识别方法 | |
CN111896430A (zh) | 花粉监测方法及其装置 | |
Li et al. | A score-level fusion fingerprint indexing approach based on minutiae vicinity and minutia cylinder-code | |
CN112269173B (zh) | 一种多平台雷达一维图像信号进行融合的方法 | |
Li et al. | A fingerprint indexing scheme with robustness against sample translation and rotation | |
CN106326927B (zh) | 一种鞋印新类别检测方法 | |
CN105975994B (zh) | 基于非相似性变换一类svm模型的sar目标鉴别方法 | |
CN112861871A (zh) | 一种基于目标边界定位的红外目标检测方法 | |
Ma et al. | An exceedingly fast model for low resolution handwritten digit string recognition | |
Li et al. | A novel fingerprint indexing approach focusing on minutia location and direction | |
Le et al. | Logo spotting for document categorization | |
CN110390309B (zh) | 一种基于残差分布的手指静脉非法用户识别方法 | |
Gao et al. | Feature tracking for target identification in acoustic image sequences | |
CN105069401B (zh) | 一种sar图像识别方法 |
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 |