[发明专利]基于耦合隐马尔可夫模型的SAR图像目标交互行为识别方法

说明书

技术领域

本发明涉及图像处理、特征提取、目标识别等领域，尤其涉及一种合成孔径雷达图像目标识别领域。

背景技术

行为识别是SAR图像序列内容解译和分析中一个重要组成部分。行为识别旨在通过观察个体的动作来判断个体所做出的行为。交互行为识别则是通过观察有相互关联的多目标复杂行为来判断目标群的事件。通过识别目标的个体和交互行为，我们能更准确地对SAR图像序列中所发生的事件做出判断。

近些年来，隐马尔可夫模型(Hidden Markov Models，HMM)被应用在行为识别领域。由于HMM能够提供动态时间规整，因此可用于描述物体在时间域上的运动模式，并可进行动态行为建模和分析。HMM及其改进算法已经成为时间序列建模的常用方法之一。但是在交互行为识别中，每个目标在某一时刻的运动状态不仅依赖于自身在前一时刻的状态，同时也取决于另一目标在前一时刻的状态，HMM的结构却不能体现出这种相互的关系。另一方面，随着目标数量的增长，观察序列的长度、HMM中状态的数目和参数都会迅速增长，从而增加了HMM参数估计的复杂度。耦合隐马尔可夫模型(Coupled Hidden Markov Models，CHMM)可解决复杂多目标行为识别，可提供一种更为有效的过程建模方法。CHMM是一种用于描述两个或多个相互关联(条件概率依赖)的随机过程统计特性的概率模型，它可以看成是通过在多个HMM状态序列之间引入耦合条件概率而得到的一种多HMM链模型，可用于对两个相互关联的随机过程进行建模和分类，因此适合用来学习和描述多个数据之间的交互作用。

发明内容

为了克服现有HMM对交互行为识别的不足，本发明提出一种基于耦合隐马尔可夫模型的SAR图像目标交互行为识别方法，该方法能够正确识别出SAR图像序列中有交互行为的两个目标构成的目标群事件，获得较优的交互行为识别性能。

本发明解决其技术问题所采用的技术方案是：

一种基于耦合隐马尔可夫模型的SAR图像目标交互行为识别方法，包括以下步骤：

步骤1，采用Surendra背景更新算法从SAR图像序列中检测出运动目标所在的位置；

步骤2，用主成分分析方法提取每个运动目标的特征，将每个训练样本表示为n维列向量，将所有以列向量表示的训练样本按列方式排列组成数据矩阵X，构建自相关矩阵C＝E[X·X^T]，将C作特征值分解，选择最大n个特征值对应的特征向量为基向量构建投影子空间W＝[v₁,v₂,...,v_n]^T，将训练样本x向投影子空间投影，得到表征样本的n维特征向量a＝Wx；

步骤3，用线性判别分析方法识别每个运动目标的类别属性，通过训练线性判别函数，找到合适的权向量W_k,k＝1,2,....K，使得错分样本最少，对于给定的待识别样本Y_test，通过g_k(Y_test)＝W_k^TY_test,k＝1,2,....K，选取g_k(Y_test),k＝1,2,....K中最大值所对应的类别即为待识别样本的类别；

步骤4,提取运动目标的交互行为特征并构建特征矩阵，将交互行为特征提取分为个体层和交互层两个层面进行，个体层提取个体目标的运动速度作为特征，交互层提取两个目标之间的距离和运动速度之差作为特征，用上述3种运动特征构建目标i的运动特征矩阵如下所示：

矩阵的每一列分别代表目标i在第k帧中的运动速度目标j在第k帧中的运动速度目标i与目标j在第k帧中的距离目标i与目标j在第k帧中的运动速度之差n为矩阵行数，表示选取的图像帧数；

步骤5，用耦合隐马尔可夫模型识别目标交互行为类型，将个体层和交互层作为两条耦合链对耦合隐马尔可夫模型进行建模，将特征矩阵分为两个部分，即个体层特征v_i、v_j与交互层特征d_ij、v_d，分别输入到每类模型对应的两条链中训练，识别阶段将待识别样本特征按个体层与交互层分开，分别输入到每类模型对应的两条链中，将两条链分别得到的极大似然概率相加，相加值最大的模型类型为交互行为类别。