[发明专利]一种基于SVM算法和海思平台的红外目标识别方法和系统

权利要求书

1.一种基于SVM算法和海思平台的红外目标识别方法，其特征在于，包括：

S100.对红外图像的进行采集得到训练样本，并对训练样本进行预处理；

S200.对预处理的训练样本进行仿射变换，对训练样本数据进行增广；

S300.通过增广后的训练样本数据，提取训练样本数据的Hog和LBP特征；

S400.对训练样本数据进行Svm训练，得到训练好的Svm分类模型；

S500.将训练好的Svm分类模型部署在海思平台上，并采用多预测点并行加速的推理模式，使用海思平台并行加速，预测出目标出现在各预测点上的位置，实现目标区域的快速定位。

2.如权利要求1所述的一种基于SVM算法和海思平台的红外目标识别方法，其特征在于，S100中，采用迭代中值滤波算法对数据进行预处理，迭代公式如下所示:

Y^j(n)＝median([Y^j(n-N),Y^j(n-N+1),…,Y^j(n-1),Y^j(n),Y^j(n+1),…,Y^j-1(n+N)])

式中，当j＝0时，

Y⁰(n)＝median([Y⁰(n-N),Y⁰(n-N+1),…,Y⁰(n-1),b_i(n),b_i(n+1),…,b_i(n+N)])

j为迭代次数，b_i(n)为通过阈值分解算法得到，Y^j(n)是第j+1次迭代的输出结果，迭代的完成条件是根据噪声是否收敛到根信号来决定。

3.如权利要求1所述的一种基于SVM算法和海思平台的红外目标识别方法，其特征在于，S200中，对训练样本数据进行增广的方式至少包括：平移、翻转、旋转和缩放方式。

4.如权利要求1所述的一种基于SVM算法和海思平台的红外目标识别方法，其特征在于，S200中，仿射变换公式如下所示：

其中，x、y为仿射变换前的图像坐标，x'、y'为仿射变换后的图像坐标，a，b，c，d，m，n为仿射系数。

5.如权利要求1所述的一种基于SVM算法和海思平台的红外目标识别方法，其特征在于，S300中，提取Hog特征的方法为：

S301.检测窗口,Hog通过窗口和块将图像进行分割，通过细胞为单位，对图像的某一区域的像素值进行数学计算处理；

S302.将将整个图像进行归一化处理，公式为：

S303.计算图像横坐标和纵坐标方向的梯度，并跟踪横坐标和纵坐标的梯度，计算梯度方向公式为：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

式中，G_x(x,y)，G_y(x,y)，H(x,y)分别表示输入图像中像素点(x,y)处的水平梯度、垂直梯度和像素值，像素点(x,y)处的梯度赋值和梯度方向分别为：

S304.构建梯度直方图，将梯度方向划分为多个区间，先判断像素点梯度方向所属的区间，后根据像素点的梯度幅值大小和梯度方向的大小进行加权于对应的梯度方向；在本实施例中，优先将梯度方向划分为9个区间。

S305.梯度直方图归一化，为适应局部光照的变化以及前景-背景对比度的变化，使梯度强度的变化范围很大，因此需要进行归一化处理。

6.如权利要求1所述的一种基于SVM算法和海思平台的红外目标识别方法，其特征在于，S300中，提取LBP特征的方法为：LBP算子定位为3*3的窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于等于中心像素值，则该像素点的位置被标记为1，否则为0，3*3邻域内的8个点经比较可产生8位二进制数序列，用这个序列来反映该区域的纹理信息。