[发明专利]一种基于加权K近邻规则的开放集目标识别方法及装置

说明书

本发明公开了一种基于加权K近邻规则的开放集目标识别方法及装置，获取待识别特征数据集，并将待识别特征数据集与训练数据集置于同一度量空间，得到组合数据集；对于待识别特征数据集中的每个待识别特征数据，从组合数据集中筛选对应的K个近邻数据，并为每个近邻数据赋予权重值；根据K个近邻数据的权重值计算待识别特征数据属于未知类的概率值；根据所有的待识别特征数据的概率值构建经验累积分布模型并迭代优化；通过大津法计算迭代优化后的经验累积分布模型的分割阈值；根据分割阈值筛选出待识别特征数据集中的未知类特征数据；本发明可以降低未知类数据对已知类数据造成的干扰，提高准确率和召回率。

技术领域

本发明属于目标识别技术领域，尤其涉及一种基于加权K近邻规则的开放集目标识别方法及装置。

背景技术

目标识别技术已经应用在日常生活、军事国防等各个领域，并不断向着更智能、更准确的方向发展。在实际的目标识别任务中，传统的目标识别技术的封闭识别框架假设无法得到满足，即要面对的数据类别并非完全包含于训练数据类别中。处理训练数据类别之外的新类别数据，即未知类别数据，就需要打破封闭的辨识框架假设，寻找在开放集中完成目标识别任务的新方法，即开集识别方法。

开集识别方法包含两类，一是非端到端的开集识别方法，如1-vs-set、WSVM等，这些方法需要使用特征提取方法将待识别数据的特征提取出来，再利用开集识别方法进行识别，将未知类别检测出来并完成已知类别的分类。另一类则是端到端的开集识别方法，如Openmax、G-openmax、CROSR等方法，这些方法通过神经网络提取图像的特征，使用神经网络提取的特征数据进行开集识别，样本但这类方法并不能很好地兼顾未知类数据的检测和已知类数据的识别，由此会带来虚警和漏检问题。

面对开放集中的新类别数据，没有先验信息可以辅助识别，传统的统计学工具无法直接应用在开集识别方法中，难以建立分类模型。另外，寻找已知类别数据与未知类别数据的划分边界是完成开集识别任务的关键,很多开集识别方法中边界值被设定为超参数，需要用户根据经验自行确定，且边界值的调整会对识别效果产生较大影响，方法的鲁棒性不够强。

发明内容

本发明的目的是提供一种基于加权K近邻规则的开放集目标识别方法及装置，利用累积经验分布函数建立分类模型，利用大津法寻找阈值完成已知类别与未知类别的划分，从而增强开集识别方法的鲁棒性，提高识别的准确率。

本发明采用以下技术方案：一种基于加权K近邻规则的开放集目标识别方法，包括以下步骤：

获取待识别特征数据集，并将待识别特征数据集与训练数据集置于同一度量空间，得到组合数据集；

对于待识别特征数据集中的每个待识别特征数据，从组合数据集中筛选对应的K个近邻数据，并为每个近邻数据赋予权重值；其中，K为自然数；

根据K个近邻数据的权重值计算待识别特征数据属于未知类的概率值；

根据所有的待识别特征数据的概率值构建经验累积分布模型并迭代优化；

通过大津法计算迭代优化后的经验累积分布模型的分割阈值；

根据分割阈值筛选出待识别特征数据集中的未知类特征数据。

进一步地，为每个近邻数据赋予权重值包括：

当待识别特征数据与近邻数据为相互近邻关系时，为近邻数据的权重设置为1；

其中，相互近邻关系为：

待识别特征数据为近邻数据的K个近邻之一、且近邻数据为待识别特征数据的K个近邻之一。

进一步地，当待识别特征数据与近邻数据为非相互近邻关系时，通过计算近邻数据的权重值；