[go: up one dir, main page]

CN111950646A - 电磁图像的层次化知识模型构建方法及目标识别方法 - Google Patents

电磁图像的层次化知识模型构建方法及目标识别方法 Download PDF

Info

Publication number
CN111950646A
CN111950646A CN202010842242.0A CN202010842242A CN111950646A CN 111950646 A CN111950646 A CN 111950646A CN 202010842242 A CN202010842242 A CN 202010842242A CN 111950646 A CN111950646 A CN 111950646A
Authority
CN
China
Prior art keywords
target
nodes
node
knowledge model
graph
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
Application number
CN202010842242.0A
Other languages
English (en)
Inventor
党训旺
闫华
殷红成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Environmental Features
Original Assignee
Beijing Institute of Environmental Features
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Environmental Features filed Critical Beijing Institute of Environmental Features
Priority to CN202010842242.0A priority Critical patent/CN111950646A/zh
Publication of CN111950646A publication Critical patent/CN111950646A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques

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)
  • Image Analysis (AREA)

Abstract

本发明涉及电磁图像处理技术领域，尤其涉及一种电磁图像的层次化知识模型构建方法及目标识别方法、计算机可读存储介质，该层次化知识模型构建方法包括如下步骤：针对部件‑目标‑环境中的结构知识，使用句法语义知识模型将不同层次的电磁散射参数化模型用树状图表示，得到与或树；针对部件‑目标‑环境电磁散射过程中的上下文知识，使用随机句法知识模型进行表示，将目标与环境的相互作用关系量化融入到所述与或树，形成与或图；在所述与或图的拓扑关系基础上，使用知识模型参数学习方法得到知识模型的参数，完成部件‑目标‑环境层次化知识模型的构建。本发明可以形成部件‑目标‑环境的完整层次化知识模型，指导目标识别方法的设计。

Description

电磁图像的层次化知识模型构建方法及目标识别方法
技术领域
本发明涉及电磁图像处理技术领域，尤其涉及一种电磁图像的层次化知识模型构建方法及目标识别方法、计算机可读存储介质。
背景技术
目前，研究者已经对多种目标电磁散射特性建模提出了电磁散射参数化模型形式，在此基础上，需要针对电磁图像建立对应的层次化知识模型，以提高目标识别中对目标电磁散射特性先验知识的表示能力。根据已有的研究经验，可以依次建立低层、中层和高层的图像语义知识模型，部件-目标-环境层次化知识模型，也可以基于深度神经网络建立层次化知识模型。图像语义知识模型从图像特征出发，部件-目标-环境层次化知识模型从实际的物理模型出发，基于深度神经网络的层次化知识模型从神经元逐层提取的特征出发。下面对这3种层次化知识模型研究进行简要介绍。
电磁图像在较大范围内呈现丰富的变化。图像语义知识模型的建立以及相关的计算方法依赖于所要解决的任务和对象的描述层次。根据Bosch和Zhu等人于2007年提出的图像场景描述方法，可以通过低层、中层、高层三个语义层次对图像进行描述，建立相应层次的图像语义知识模型。低层次语义知识模型使用简便，但泛化性差，很难用于处理训练集以外的数据；中层次语义知识模型包含了一定量的部件信息，但难以与具体目标和环境的物理性质对应；高层次语义知识模型对电磁图像进行了符合人类理解方式的概括，但包含的信息有限，难以直接体现场景的物理特性。为此，需要研究完整的部件-目标-环境的层次化知识模型，才能更加有效地将电磁图像中的目标和环境与其实际的物理特性对应。
部件-目标-环境的层次化知识模型是一种有效的SAR图像目标识别方法，但在目前的研究中难以对其用简洁统一的模型进行描述，且仍未充分体现电磁散射过程的机理。由于模型形式的复杂性，虽然这种层次化知识模型已有一些研究成果，但还存在进一步完善的空间，需要寻找更加规范合理的描述方式对其进行表示。
基于深度神经网络的知识模型在雷达图像识别上的性能优异，产业界也提供了相对较多的支持，是目前的热点研究方向。但其泛化能力和解释性较差，难以形成通用的知识模型，也难以和电磁散射过程建立直接的联系。为此，不能一味地追求知识模型的深度，也需要关注知识模型和电磁散射物理规律的联系。
发明内容
本发明的目的是针对上述至少一部分不足之处，提供一种电磁散射特性部件-目标-环境的层次化知识模型构建方法。
为了实现上述目的，本发明提供了一种电磁图像的层次化知识模型构建方法，包括如下步骤：
S1、针对电磁图像的部件-目标-环境中的结构知识，使用句法语义知识模型将不同层次的电磁散射参数化模型用树状图表示，得到与或树；
S2、针对电磁图像的部件-目标-环境电磁散射过程中的上下文知识，使用随机句法知识模型进行表示，将目标与环境的相互作用关系量化融入到所述与或树，形成与或图；
S3、在所述与或图的拓扑关系基础上，使用知识模型参数学习方法得到知识模型的参数，完成部件-目标-环境层次化知识模型的构建。
优选地，所述步骤S1中，所述与或树以电磁图像的场景作为起始的根节点，根节点下面有分别代表目标、环境和阴影3大类别的3个子节点构成第二层，第二层的各个子节点下面分别由根据电磁散射参数化模型的标签进行细分的子节点构成第三层，其中代表单个目标的子节点与代表单个阴影的子节点对应。
优选地，所述与或树的第三层中，每个代表单个目标的子节点下面还有该目标的固定部分节点和可选部分节点作为第四层，各个第四层的节点下面分别有根据电磁散射参数化模型中单个部件进行细分的子节点作为第五层，第五层的子节点为终端节点，存储各部件的电磁散射参数化模型的参数。
优选地，所述步骤S2中，将目标与环境的相互作用关系量化融入到所述与或树时，相互作用关系包括目标遮挡关系与部件耦合关系。
优选地，目标遮挡关系包括：第三层中，代表单个目标的子节点与对应的、代表单个阴影的子节点之间相应的遮挡关系；
部件耦合关系包括：第五层中，固定部分节点下面，各代表单个部件的子节点中任意两个子节点之间的耦合关系，以及可选部分节点下面，各代表单个部件的子节点中任意两个子节点之间的耦合关系。
优选地，所述步骤S1中，使用句法语义知识模型将不同层次的电磁散射参数化模型用树状图表示时，所有目标的最基本的部件构成该知识模型对应的句法的终端节点，除终端节点之外的节点为非终端节点，句法定义为四元组G＝(VN,VT,S,R)，其中VN是非终端节点的有限集合，VT是终端节点的有限集合，S∈VN是根节点的起始标记，R是一个规则集合，满足R＝{r:α→β}，α,β∈VN∪VT，r表示规则集合里的一条关联关系。
优选地，所述步骤S3中，使用知识模型参数学习方法得到知识模型的参数时，由最大似然估计指导学习并遵循最大熵学习机制进行学习。
优选地，所述步骤S3中，使用知识模型参数学习方法得到知识模型的参数时，包括估计与或图的参数集合Θ和搜索学习规则集合R；
采用最大似然估计法，参数集合Θ和规则集合R的关系表达式如下所示：
Figure BDA0002641855330000041
其中，
Figure BDA0002641855330000042
表示第i个目标的电磁图像
Figure BDA0002641855330000043
和对应的解析图
Figure BDA0002641855330000044
组成的样本，N表示样本数量，Δ是解析图中所有可能出现的子节点构成的集合，
Figure BDA0002641855330000045
表示第i个目标的电磁图像
Figure BDA0002641855330000046
和解析图
Figure BDA0002641855330000047
共同出现的概率，根据贝叶斯公式表示为：
Figure BDA0002641855330000048
其中，
Figure BDA0002641855330000049
表示第i个目标的电磁图像
Figure BDA00026418553300000410
的条件概率，
Figure BDA00026418553300000411
表示第i个目标的解析图
Figure BDA00026418553300000412
出现的概率，与参数集合Θ的关系如下所示：
Figure BDA00026418553300000413
Figure BDA00026418553300000414
其中，Z(Θ)表示使得
Figure BDA00026418553300000415
积分为1的归一化系数，
Figure BDA00026418553300000416
为第i个目标的解析图
Figure BDA00026418553300000417
对应的势能函数，决定了解析图
Figure BDA00026418553300000418
出现的概率；v表示与或图中的节点，Vor表示与或图中所有的或节点的集合，w(v)是节点v出现的概率，λv(·)是节点v的权重函数；t表示与节点，
Figure BDA00026418553300000419
表示第i个目标的解析图
Figure BDA00026418553300000420
中的终端节点的集合，Vand表示与或图中所有的与节点的集合，a(t)是与节点t出现的概率，λt(·)是与节点t的权重函数；vi和vj表示与或图中的任意两个节点，序号分别为i和j，(i，j)表示节点vi和节点vj之间形成的边，E表示与或图中所有的两个节点之间形成的边的集合，λij(·)是表示节点vi和节点vj间相互耦合程度的函数，γij表示节点vi和节点vj间的连接关系；参数集合Θ包括λv(·)、λt(·)和λij(·)的参数；
估计所述与或图的参数Θ包括如下步骤：
在所述与或图中的各个或节点上学习λv(·)，通过直方图统计计算每个可选择项的频率，统计过程中，对影响或节点的各随机变量进行抽样；
在所述与或图的终端节点学习λt(·)，并根据极值的导数为0的条件导出统计约束；
对于每一对节点vi和节点vj对应的λij(·)，学习势能函数
Figure BDA0002641855330000051
同样通过导数为0的条件获得统计约束；
搜索学习规则集合R遵循最小化最大熵原理，在可能的关联关系集合中，寻找能够使生成的解析图与已有解析图样本概率分布之间差异最小的关联规则r，包括如下步骤：
初始时规则集合R设为空集，学习过程采用贪婪方法，每步添加一个关联规则r到R中；
从可能的关联关系集合中选择新的关联规则，保证添加的关联规则和已有的概率分布之间的KL距离最大。
本发明还提供了一种电磁图像的目标识别方法，该目标识别方法包括如下步骤：
针对一幅电磁图像，按照如上述任一项所述的电磁图像的层次化知识模型构建方法构建层次化知识模型；
基于构建的层次化知识模型进行电磁图像中的目标识别，包括如下步骤：首先提取整幅电磁图像中基本的部件的知识特征，根据典型目标的部件组成、类型、几何结构进行归纳总结，分解出一系列典型部件并提取局部特征，得到与或图中的终端节点；再根据与或图构建解析图，最后根据解析图进行部件、目标和环境层次的逐层匹配，得到最终的识别结果。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的电磁图像的层次化知识模型构建方法的步骤。
本发明的上述技术方案具有如下优点：本发明提供了一种电磁图像的层次化知识模型构建方法，可以形成部件-目标-环境的完整层次化知识模型，有效地将电磁图像中的目标和环境与其实际的物理特性对应，解决目标电磁散射特性知识组织形式零散、缺乏对跨层次知识表征的问题，能够指导目标识别方法的设计。
本发明还提供了一种电磁图像的目标识别方法，该目标识别方法基于电磁图像的层次化知识模型，使用部件、目标、环境三个层次的语义信息与待识别电磁图像进行逐层匹配，有效地模拟了人类根据分层特征进行目标识别的过程，解决了层次化知识在识别方法中的应用问题，能够提高目标识别的准确率。
附图说明
图1是本发明实施例中一种电磁图像的层次化知识模型构建方法技术路线图；
图2是本发明实施例中目标-环境的与或树形式句法语义知识模型示意图；
图3是本发明实施例中部件-目标的与或树形式句法语义知识模型示意图；
图4是本发明实施例中目标-环境的与或图形式随机句法知识模型示意图；
图5是本发明实施例中部件-目标的与或图形式随机句法知识模型示意图；
图6是本发明实施例中一种电磁图像的目标识别方法步骤示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供的一种电磁图像的层次化知识模型构建方法，包括如下步骤：
S1、句法语义知识模型构建：针对电磁图像的部件-目标-环境中的结构知识，使用句法语义知识模型将不同层次的电磁散射参数化模型用树状图表示，得到与或树。
一幅电磁图像中包括若干目标，每个目标由若干部件组成。根据结构知识，“部件”对应目标局部结构，“目标”对应目标整体结构，“环境”对应目标轮廓与地面环境。
句法也称为分层句法，通过产生不同细节层次结构而形成“语言”。句法语言是由句法结构产生的所有可能的有效结构集合，可以用作语义知识模型的表征。
优选地，步骤S1中，使用句法语义知识模型将不同层次的电磁散射参数化模型用树状图表示时，所有目标最基本的部件构成该知识模型对应的句法的终端节点，除终端节点之外的节点为非终端节点，句法定义为四元组G＝(VN,VT,S,R)，其中VN是非终端节点的有限集合，VT是终端节点的有限集合，S∈VN是根节点的起始标记，R是一个规则集合，满足R＝{r:α→β}，α,β∈VN∪VT，r表示规则集合里的一条关联关系。终端节点所有可能的组合形成了句法，能够表示较小词汇量的VN、VT和R产生的大量有效句子，通过树状结构有效描述实际目标和环境的复杂结构。
优选地，如图2和图3所示，在电磁散射问题中，与或树以电磁图像的整个场景作为起始的根节点，根节点下面有分别代表目标、环境和阴影3大类别的3个子节点构成第二层(即自根节点衍生出的第二层包括对应目标、环境和阴影的3个子节点，“下面”表示下一个层级)，第二层的各个子节点下面分别由根据电磁散射参数化模型的标签进行细分的子节点构成第三层，其中代表单个目标的子节点与代表单个阴影的子节点对应。
如图2所示，对于目标-环境的与或树形式句法语义知识模型，假设电磁散射参数化模型的标签有N个目标(N≥1)，N个阴影，Ne个环境(N≥1)，则根据单个目标的标签细分，第二层的目标子节点下有N个第三层子节点，分别对应目标1至目标N。根据单个阴影的标签细分，第二层的阴影子节点下有N个第三层子节点，分别对应目标1阴影至目标N阴影，目标1阴影子节点至目标N阴影子节点与目标1子节点至目标N子节点一一对应。根据单个环境的标签细分，第二层的环境子节点下有Ne个第三层子节点，分别对应环境1至环境Ne。为区分“与”和“或”关系，实线边框表示“与”节点，虚线边框表示“或”节点。
进一步地，如图3所示，对于部件-目标的与或树形式句法语义知识模型，与或树的第三层中，每个代表单个目标的子节点下面还有该目标的固定部分节点和可选部分节点这两个代表分类的节点作为第四层，各个第四层的节点，即各固定部分节点和可选部分节点，下面分别有根据电磁散射参数化模型中单个部件进行细分的子节点作为第五层。图3以第三层中代表目标1的子节点为例进行说明，根据单个部件进行细分，设(第四层的)目标1固定部分节点下面有M个第五层子节点，分别对应目标1固定部分的部件1至部件M(M为目标1固定部分的部件数目，M≥1)，(第四层的)目标1可选部分节点下面有L个第五层子节点，分别对应目标1可选部分的部件1至部件L(L为目标1可选部分的部件数目，L≥0)。所有目标最基本的部件(包括固定部分的部件与可选部分的部件)，即所有第五层子节点，构成了该知识模型对应的句法的终端节点，终端节点存储各部件的电磁散射参数化模型的参数。
对于每种具体目标，其对应的与或树上的“与”和“或”关系是确定的，由此该与或树关系变为确定的解析树关系。一种类型和状态确定的目标对应一个解析树。
优选地，具体编程实现时，可以采用XML(扩展标记语言)的格式记录句法语义知识模型，如图2所示的句法语义可以记为：
Figure BDA0002641855330000091
Figure BDA0002641855330000101
S2、随机句法知识模型构建：针对电磁图像的部件-目标-环境电磁散射过程中的上下文知识，使用随机句法知识模型进行表示，将目标与环境的相互作用关系量化融入到与或树，形成与或图。
将目标与环境的相互作用关系量化地融入到场景句法语义知识模型中，便形成了句法的与或图。在电磁散射的层次化知识模型中，目标与环境的相互作用关系主要体现为耦合和遮挡。所以相对于步骤S1得到的、基于句法语义的部件-目标-环境与或树，与或图增加了表示同一层的各个节点之间的相互作用关系。
优选地，步骤S2中，将目标与环境的相互作用关系量化融入到所述与或树时，相互作用关系包括部件耦合与目标遮挡关系。
进一步地，目标遮挡关系包括：第三层中，代表单个目标的子节点与对应的、代表单个阴影的子节点之间相应的遮挡关系。如图4所示，目标遮挡关系存在于第三层的子节点之间，代表目标1的子节点，与对应的、代表目标1阴影的子节点之间存在相互作用关系，该相互作用关系为目标1对环境遮挡，属于目标遮挡关系。同理，代表目标N的子节点与代表目标N阴影的子节点之间存在目标N对环境遮挡的目标遮挡关系。
部件耦合关系包括：第五层中，固定部分节点下面，各代表单个部件的子节点中任意两个子节点之间的耦合关系，以及可选部分节点下面，各代表单个部件的子节点彼此之间的耦合关系。如图5所示(图5以第三层中代表目标1的子节点为例进行说明)，部件耦合关系存在于第五层的子节点之间，(第四层的单个目标的)固定部分节点下面，对应部件1至部件M的子节点中，任意两个子节点之间存在相互作用关系，共计
Figure BDA0002641855330000102
个，该相互作用关系为部件耦合，并且(第四层的单个目标的)可选部分节点下面，对应部件1至部件L的子节点中，任意两个子节点之间也存在部件耦合关系，共计
Figure BDA0002641855330000112
个。
优选地，具体编程实现时，可以在步骤1的XML格式的句法语义知识模型的基础上，在不同种类研究对象的标签下增加记录目标与环境相互作用关系参数的标签。例如在目标的标签<Targets>下，增加<Coupling>标签标记(遮挡可作为一种特殊形式的耦合)：
Figure BDA0002641855330000111
S3、知识模型参数学习：在与或图的拓扑关系基础上，使用知识模型参数学习方法得到知识模型的参数，完成部件-目标-环境层次化知识模型的构建。
优选地，步骤S3中，使用知识模型参数学习方法得到知识模型的参数时，由最大似然估计指导学习并遵循最大熵学习机制进行学习，完成知识模型的参数的学习。
根据前述过程，采用标签注释后的电磁散射参数化模型数据集可对目标构建与或图，并在基于与或图的知识模型上学习其对应的概率模型，建立基于与或图的层次化知识模型。
当与或图上的“与”和“或”关系确定的时候，与或图变为解析图。对于一个确定的目标，其解析图也是确定的。基于随机句法的与或图概率模型包含于每个解析图中，它整合了或节点的统计上下文无关图(SCFG)模型以及与节点的Markov(马尔科夫)图模型，保证与已有电磁图像训练集中相应的解析图频率吻合。
优选地，步骤S3中，使用知识模型参数学习方法得到知识模型的参数时，包括估计与或图的参数集合Θ和搜索学习规则集合R。
采用最大似然估计法，参数集合Θ和规则集合R的关系表达式如下所示：
Figure BDA0002641855330000121
其中，
Figure BDA0002641855330000122
表示第i个目标的电磁图像
Figure BDA0002641855330000123
和对应的解析图
Figure BDA0002641855330000124
组成的样本，它们需要事先准备好作为训练集，此处的N表示样本数量。当与或图中的或节点的选择关系确定后，与或图变成解析图pg。Δ是解析图中所有可能出现的子节点构成的集合，
Figure BDA0002641855330000125
表示第i个目标的电磁图像
Figure BDA0002641855330000126
和解析图
Figure BDA0002641855330000127
共同出现的概率，根据贝叶斯公式表示为：
Figure BDA0002641855330000128
其中，
Figure BDA0002641855330000129
表示第i个目标的电磁图像
Figure BDA00026418553300001210
的条件概率，在给定了电磁散射参数化模型构成的解析图
Figure BDA00026418553300001211
和对应的(Δ,R,Θ)后，
Figure BDA00026418553300001212
取决于电磁散射参数化模型到电磁图像的映射关系，需要通过电磁散射知识确定。
Figure BDA00026418553300001213
表示第i个目标的解析图
Figure BDA00026418553300001214
出现的概率，与参数集合Θ的关系如下所示：
Figure BDA00026418553300001215
Figure BDA0002641855330000131
其中，Z(Θ)表示使得
Figure BDA0002641855330000132
积分为1的归一化系数，
Figure BDA0002641855330000133
为第i个目标的解析图
Figure BDA0002641855330000134
对应的势能函数，决定了解析图
Figure BDA0002641855330000135
出现的概率；v表示与或图中的节点，Vor表示与或图中所有的或节点的集合，w(v)是节点v出现的概率，λv(·)是节点v的权重函数；t表示与节点，
Figure BDA0002641855330000136
表示第i个目标的解析图
Figure BDA0002641855330000137
中的终端节点的集合，Vand表示与或图中所有的与节点的集合，a(t)是与节点t出现的概率，λt(·)是与节点t的权重函数；vi和vj表示与或图中的任意两个节点，序号分别为i和j，(i，j)表示节点vi和节点vj之间形成的边，E表示与或图中所有的两个节点之间形成的边的集合，λij(·)是表示节点vi和节点vj间相互耦合程度的函数，γij表示节点vi和节点vj间的连接关系；参数集合Θ包括λv(·)、λt(·)和λij(·)的参数。
估计所述与或图的参数Θ包括如下步骤：
在所述与或图中的各个或节点上学习λv(·)，通过直方图统计计算每个可选择项的频率，统计过程中，对影响或节点的各随机变量进行抽样；
在所述与或图的终端节点学习λt(·)，并根据极值的导数为0的条件导出统计约束；
对于每一对节点vi和节点vj对应的λij(·)，学习势能函数
Figure BDA0002641855330000138
同样通过导数为0的条件获得统计约束。
搜索学习规则集合R遵循最小化最大熵原理，在可能的关联关系集合中，寻找能够使生成的解析图与已有解析图样本概率分布之间差异最小的关联规则r，包括如下步骤：
初始时规则集合R设为空集，学习过程采用贪婪方法，每步添加一个关联规则r到R中；
从可能的关联关系集合中选择新的关联规则，保证添加的关联规则和已有的概率分布之间的KL距离(Kullback-Leibler Divergence，相对熵)最大，因为大的KL距离意味着更多的信息。
经过以上参数估计和规则学习的过程，可以完成部件-目标-环境与或图层次化知识模型的构建，为后面的目标识别使用提供基础。
本发明还提供了一种电磁图像的目标识别方法，该方法包括如下步骤：
针对一幅电磁图像，按照如上述任一实施方式所述的电磁图像的层次化知识模型构建方法构建层次化知识模型。
如图6所示，基于构建的层次化知识模型进行电磁图像中的目标识别，包括如下步骤：首先提取整幅电磁图像中基本的部件的知识特征，根据典型目标的部件组成、类型、几何结构进行归纳总结，分解出一系列典型部件并提取局部特征，得到与或图中的终端节点；再根据与或图构建解析图，最后根据解析图中各层的特征，进行部件、目标和环境层次的逐层匹配，得到最终的识别结果。
电磁图像I知识特征的提取过程使用包含已训练好的参数(Θ,R,Δ)的层次化知识模型，将与或图进行推理，变为解析图pg，该过程需要解决如下最大后验概率优化问题。可以采用通用的优化方法，如EM、粒子群优化方法等。
Figure BDA0002641855330000141
在得到解析图后，将其和知识模型进行逐层匹配。可以采用相似性度量或距离度量衡量电磁图像解析图与层次化知识模型的相似度。
相似性度量定义为：
Figure BDA0002641855330000142
其中，给定两个d维特征向量f和g，(f·g)表示特征向量f和g的内积。该值越大，表明这两个特征向量之间的相似程度就越大，它们属于同一类别的可能性就也就越大，相反，它们属于同一类别的可能性也就越小。
距离度量定义待测样本和训练样本的特征向量y与yi之间的欧氏距离为：
d(y,yi)＝||y-yi||2
其中||·||2表示向量y-yi的2-范数。距离度量服务于基于欧氏距离的最近邻分类器(NearestNeighbor Classifier，NNC)对待测样本进行识别，即计算该待测样本与全部的M个训练样本之间的距离，然后将使距离最小的训练样本所属的类别作为待测样本的类别。
在本发明另一些优选的实施方式中，还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施方式中所述的电磁图像的层次化知识模型构建方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程，在此不再重复说明。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电磁图像的层次化知识模型构建方法，其特征在于，包括如下步骤：
S1、针对电磁图像的部件-目标-环境中的结构知识，使用句法语义知识模型将不同层次的电磁散射参数化模型用树状图表示，得到与或树；
S2、针对电磁图像的部件-目标-环境电磁散射过程中的上下文知识，使用随机句法知识模型进行表示，将目标与环境的相互作用关系量化融入到所述与或树，形成与或图；
S3、在所述与或图的拓扑关系基础上，使用知识模型参数学习方法得到知识模型的参数，完成部件-目标-环境层次化知识模型的构建。
2.根据权利要求1所述的层次化知识模型构建方法，其特征在于：
所述步骤S1中，所述与或树以电磁图像的场景作为起始的根节点，根节点下面有分别代表目标、环境和阴影3大类别的3个子节点构成第二层，第二层的各个子节点下面分别由根据电磁散射参数化模型的标签进行细分的子节点构成第三层，其中代表单个目标的子节点与代表单个阴影的子节点对应。
3.根据权利要求2所述的层次化知识模型构建方法，其特征在于：
所述与或树的第三层中，每个代表单个目标的子节点下面还有该目标的固定部分节点和可选部分节点作为第四层，各个第四层的节点下面分别有根据电磁散射参数化模型中单个部件进行细分的子节点作为第五层，第五层的子节点为终端节点，存储各部件的电磁散射参数化模型的参数。
4.根据权利要求3所述的层次化知识模型构建方法，其特征在于：
所述步骤S2中，将目标与环境的相互作用关系量化融入到所述与或树时，相互作用关系包括目标遮挡关系与部件耦合关系。
5.根据权利要求4所述的层次化知识模型构建方法，其特征在于：
目标遮挡关系包括：第三层中，代表单个目标的子节点与对应的、代表单个阴影的子节点之间相应的遮挡关系；
部件耦合关系包括：第五层中，固定部分节点下面，各代表单个部件的子节点中任意两个子节点之间的耦合关系，以及可选部分节点下面，各代表单个部件的子节点中任意两个子节点之间的耦合关系。
6.根据权利要求1所述的层次化知识模型构建方法，其特征在于：
所述步骤S1中，使用句法语义知识模型将不同层次的电磁散射参数化模型用树状图表示时，所有目标的最基本的部件构成该知识模型对应的句法的终端节点，除终端节点之外的节点为非终端节点，句法定义为四元组G＝(VN,VT,S,R)，其中VN是非终端节点的有限集合，VT是终端节点的有限集合，S∈VN是根节点的起始标记，R是一个规则集合，满足R＝{r:α→β}，α,β∈VN∪VT，r表示规则集合里的一条关联关系。
7.根据权利要求6所述的层次化知识模型构建方法，其特征在于：
所述步骤S3中，使用知识模型参数学习方法得到知识模型的参数时，由最大似然估计指导学习并遵循最大熵学习机制进行学习。
8.根据权利要求7所述的层次化知识模型构建方法，其特征在于：
所述步骤S3中，使用知识模型参数学习方法得到知识模型的参数时，包括估计与或图的参数集合Θ和搜索学习规则集合R；
采用最大似然估计法，参数集合Θ和规则集合R的关系表达式如下所示：
Figure FDA0002641855320000021
其中，
Figure FDA0002641855320000022
表示第i个目标的电磁图像
Figure FDA0002641855320000023
和对应的解析图
Figure FDA0002641855320000024
组成的样本，N表示样本数量，Δ是解析图中所有可能出现的子节点构成的集合，
Figure FDA0002641855320000025
表示第i个目标的电磁图像
Figure FDA0002641855320000026
和解析图
Figure FDA0002641855320000027
共同出现的概率，根据贝叶斯公式表示为：
Figure FDA0002641855320000028
其中，
Figure FDA0002641855320000031
表示第i个目标的电磁图像
Figure FDA0002641855320000032
的条件概率，
Figure FDA0002641855320000033
表示第i个目标的解析图
Figure FDA0002641855320000034
出现的概率，与参数集合Θ的关系如下所示：
Figure FDA0002641855320000035
Figure FDA0002641855320000036
其中，Z(Θ)表示使得
Figure FDA0002641855320000037
积分为1的归一化系数，
Figure FDA0002641855320000038
为第i个目标的解析图
Figure FDA0002641855320000039
对应的势能函数，决定了解析图
Figure FDA00026418553200000310
出现的概率；v表示与或图中的节点，Vor表示与或图中所有的或节点的集合，w(v)是节点v出现的概率，λv(·)是节点v的权重函数；t表示与节点，
Figure FDA00026418553200000311
表示第i个目标的解析图
Figure FDA00026418553200000312
中的终端节点的集合，Vand表示与或图中所有的与节点的集合，a(t)是与节点t出现的概率，λt(·)是与节点t的权重函数；vi和vj表示与或图中的任意两个节点，序号分别为i和j，(i，j)表示节点vi和节点vj之间形成的边，E表示与或图中所有的两个节点之间形成的边的集合，λij(·)是表示节点vi和节点vj间相互耦合程度的函数，γij表示节点vi和节点vj间的连接关系；参数集合Θ包括λv(·)、λt(·)和λij(·)的参数；
估计所述与或图的参数Θ包括如下步骤：
在所述与或图中的各个或节点上学习λv(·)，通过直方图统计计算每个可选择项的频率，统计过程中，对影响或节点的各随机变量进行抽样；
在所述与或图的终端节点学习λt(·)，并根据极值的导数为0的条件导出统计约束；
对于每一对节点vi和节点vj对应的λij(·)，学习势能函数
Figure FDA00026418553200000313
同样通过导数为0的条件获得统计约束；
搜索学习规则集合R遵循最小化最大熵原理，在可能的关联关系集合中，寻找能够使生成的解析图与已有解析图样本概率分布之间差异最小的关联规则r，包括如下步骤：
初始时规则集合R设为空集，学习过程采用贪婪方法，每步添加一个关联规则r到R中；
从可能的关联关系集合中选择新的关联规则，保证添加的关联规则和已有的概率分布之间的KL距离最大。
9.一种电磁图像的目标识别方法，其特征在于，包括如下步骤：
针对一幅电磁图像，按照如权利要求1-8任一项所述的电磁图像的层次化知识模型构建方法构建层次化知识模型；
基于构建的层次化知识模型进行电磁图像中的目标识别，包括如下步骤：首先提取整幅电磁图像中基本的部件的知识特征，根据典型目标的部件组成、类型、几何结构进行归纳总结，分解出一系列典型部件并提取局部特征，得到与或图中的终端节点；再根据与或图构建解析图，最后根据解析图进行部件、目标和环境层次的逐层匹配，得到最终的识别结果。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的电磁图像的层次化知识模型构建方法的步骤。
CN202010842242.0A 2020-08-20 2020-08-20 电磁图像的层次化知识模型构建方法及目标识别方法 Pending CN111950646A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010842242.0A CN111950646A (zh) 2020-08-20 2020-08-20 电磁图像的层次化知识模型构建方法及目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010842242.0A CN111950646A (zh) 2020-08-20 2020-08-20 电磁图像的层次化知识模型构建方法及目标识别方法

Publications (1)

Publication Number Publication Date
CN111950646A true CN111950646A (zh) 2020-11-17

Family

ID=73358702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010842242.0A Pending CN111950646A (zh) 2020-08-20 2020-08-20 电磁图像的层次化知识模型构建方法及目标识别方法

Country Status (1)

Country Link
CN (1) CN111950646A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780364A (zh) * 2021-08-18 2021-12-10 西安电子科技大学 一种模型与数据联合驱动的sar图像目标识别方法
CN116051426A (zh) * 2023-03-27 2023-05-02 南京誉葆科技股份有限公司 一种合成孔径雷达图像处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1628298A (zh) * 2002-05-28 2005-06-15 弗拉迪米尔·叶夫根尼耶维奇·涅博利辛 综合从搜索系统中使用的文档中抽取知识的自学习系统的方法
CN102037447A (zh) * 2008-05-21 2011-04-27 奥普塔姆软件股份有限公司 基于通知的约束集翻译以实现命令性执行
CN102227712A (zh) * 2008-11-26 2011-10-26 奥普塔姆软件股份有限公司 基于约束的语言中过程的高效自动翻译
CN105590632A (zh) * 2015-12-16 2016-05-18 广东德诚网络科技有限公司 一种基于语音相似性识别的s-t教学过程分析方法
CN109328347A (zh) * 2016-03-22 2019-02-12 乌托邦分析有限公司 用于内容缓和的方法、系统和工具

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1628298A (zh) * 2002-05-28 2005-06-15 弗拉迪米尔·叶夫根尼耶维奇·涅博利辛 综合从搜索系统中使用的文档中抽取知识的自学习系统的方法
CN102037447A (zh) * 2008-05-21 2011-04-27 奥普塔姆软件股份有限公司 基于通知的约束集翻译以实现命令性执行
CN102227712A (zh) * 2008-11-26 2011-10-26 奥普塔姆软件股份有限公司 基于约束的语言中过程的高效自动翻译
CN105590632A (zh) * 2015-12-16 2016-05-18 广东德诚网络科技有限公司 一种基于语音相似性识别的s-t教学过程分析方法
CN109328347A (zh) * 2016-03-22 2019-02-12 乌托邦分析有限公司 用于内容缓和的方法、系统和工具

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高隽等: "图像语义分析与理解综述", 《模式识别与人工智能》, vol. 23, no. 2, pages 191 - 202 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780364A (zh) * 2021-08-18 2021-12-10 西安电子科技大学 一种模型与数据联合驱动的sar图像目标识别方法
CN116051426A (zh) * 2023-03-27 2023-05-02 南京誉葆科技股份有限公司 一种合成孔径雷达图像处理方法

Similar Documents

Publication Publication Date Title
US10713298B2 (en) Video retrieval methods and apparatuses
CN109378053A (zh) 一种用于医学影像的知识图谱构建方法
CN115080764B (zh) 基于知识图谱及聚类算法的医学相似实体分类方法及系统
CN111639252A (zh) 一种基于新闻-评论关联性分析的虚假新闻识别方法
CN111931505A (zh) 一种基于子图嵌入的跨语言实体对齐方法
CN111324765A (zh) 基于深度级联跨模态相关性的细粒度草图图像检索方法
WO2017151759A1 (en) Category discovery and image auto-annotation via looped pseudo-task optimization
CN108388559A (zh) 地理空间应用下的命名实体识别方法及系统、计算机程序
CN108959305A (zh) 一种基于互联网大数据的事件抽取方法及系统
CN112306494A (zh) 一种基于卷积和循环神经网络的代码分类及聚类方法
CN112489689B (zh) 基于多尺度差异对抗的跨数据库语音情感识别方法及装置
CN113591480B (zh) 电力计量的命名实体识别方法、装置和计算机设备
CN113051914A (zh) 一种基于多特征动态画像的企业隐藏标签抽取方法及装置
CN118227798B (zh) 基于金融文本数据分类存储方法及系统
CN117745483A (zh) 一种企业专利预警方法、装置、设备及存储介质
CN118468061A (zh) 一种算法自动匹配及参数优化方法及系统
CN117891939A (zh) 粒子群算法结合cnn卷积神经网络的文本分类方法
CN116756347A (zh) 一种基于大数据的语义信息检索方法
CN111950646A (zh) 电磁图像的层次化知识模型构建方法及目标识别方法
CN111161238A (zh) 图像质量评价方法及装置、电子设备、存储介质
CN114328942A (zh) 关系抽取方法、装置、设备、存储介质和计算机程序产品
CN118964641A (zh) 为企业构建ai知识库模型的方法及系统
CN117235137B (zh) 一种基于向量数据库的职业信息查询方法及装置
CN116049376B (zh) 一种信创知识检索回复的方法、装置和系统
CN117093712A (zh) 一种基于多显示图注意力网络模型的文本分类方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201117