[发明专利]一种基于多特征融合与多核迁移学习的红外人体目标图像识别方法

说明书

本发明公开了一种基于多特征融合与多核迁移学习的红外人体目标识别方法。首先，基于红外图像特殊的成像机理，对红外场景中的目标提取一种改进的CLBP特征‑‑MSF‑CLBP来表达纹理信息，以及一种改进的局部HOG特征‑‑HOG‑FV来表达形状信息，以发掘目标中的有效特征；其次，针对上述提取到的两种异构特征，采用串联融合的方法进行特征融合，使得对目标特征信息的描述更为客观全面。最后，设计了一种融合多核分类与TrAdaBoost迁移学习框架的分类器，有效地解决了带标签的红外样本图像匮乏的问题，同时增强了待分类数据的区分性，以获取更优的识别效果。该方法从特征提取的改进和分类器的设计两方面着手，改善了特征信息的表达，提升了复杂背景下红外人体目标识别的性能。

技术领域

本发明属于红外图像处理和模式识别技术领域，尤其涉及一种基于多特征融合与多核迁移学习的红外人体目标图像识别方法。

背景技术

红外场景下的人体目标识别是红外图像处理和模式识别领域中一个重要的研究分支，其已广泛应用于视频监控，目标跟踪和汽车辅助驾驶系统等实际应用中。为了实现红外图像中人体目标的有效识别，关键在于对人体目标进行准确且全面的特征提取，以及设计合理的分类器来进行分类识别。

首先，在红外图像目标特征提取方面，一直以来，众多学者们提出并改进了很多优秀的特征提取算法，如改进的方向梯度直方图(Histogram of Oriented Gradient，HOG)特征，改进的局部二值模式特征(Local Binary Pattern,LBP)，局部强度差异直方图(Histograms of Local Intensity Differences,HLID)特征以及强度自相似(IntensitySelf Similarity,ISS)特征等等。上述的方法通过对红外人体目标提取某单一方面的特征如形状特征或者纹理特征来进行特征表示，这种特征提取的不全面性在一定程度上影响着后续的识别性能。为此，研究者们又提出对红外人体目标图像进行多特征的提取和融合，以提高特征表示的全面性，比如采用HOG与LBP特征来分别表达形状信息和纹理信息，将CSLBP(Center-Symmetric Local Binary Pattern)特征与FPGT特征(Fused Phase,Ggradientand Texture features)进行融合，使用HOG特征与Edgelet特征来分别表达图像中目标的形状特性等等，最终获取的识别性能均优于使用单一特征时的性能。基于以上的分析，可以得出一些结论：首先，采用多特征提取和融合来挖掘图像的特征信息相较于单特征提取方法而言，确实可以提高红外人体目标特征表示的准确性；其次，针对红外人体目标而言，通过HOG特征来表达形状信息以及LBP特征来表达纹理信息已被证明是一种有效的特征表达方式；最后，虽然目前有很多方法提出提取红外人体目标的多种特征，但是这些特征仍然可能属于同一种类型，如Edgelet和HOG特征都属于形状特征，仍然没有从不同的角度对目标进行描述。此外，提取出的特征多为图像的底层特征，缺少了必要的语义信息，限制了识别性能的进一步提升。

其次，在分类器设计环节，针对红外人体目标的识别，常用的分类器有支持向量机(Support Vector Machine,SVM)、基于Adaboost的分类器、基于KNN(K-Nearest Neighbor)的分类器等等。这些分类算法属于传统的机器学习算法，虽然性能可以得到保证，但是它们的训练样本需要满足严格的条件限制：(1)训练样本与测试样本需要满足独立同分布的条件；(2)需要有足够多可利用的训练样本才可能学习得到一个较好的分类模型。然而，在红外图像目标识别分类的实际应用中可以发现，这两个条件一般都很难满足。首先，由于红外图像特殊的成像原理，不同的周围环境对目标图像的分布及语义都极易引起较大的偏差。其次，相比于可见光图像，可利用的带标签的红外样本图像数量少得多，而获取大量新的有效样本则需要付出很大的代价。因此，如何利用少量的带标签训练样本，最终建立一个可靠的模型对目标进行预测和分类显得尤为重要。