(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210548930.5 (22)申请日 2022.05.20 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新西区西源 大道2006号 (72)发明人 周代英　易传莉雯 　何彬宇　 王特起　 (74)专利代理 机构 成都点睛专利代理事务所 (普通合伙) 51232 专利代理师 孙一峰 (51)Int.Cl. G06V 20/10(2022.01) G06K 9/62(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度特征与线性判别特征融合的未知 目标判别方法 (57)摘要 本发明属于未知目标识别技术领域， 具体涉 及一种基于深度特征与线性判别特征融合的未 知目标判别方法。 本发明将预处理后的一维距离 像通过并行双通道残差网络抽取局部高维特征， 与全局线性判别特征以向量串联方式进行特征 级融合， 实现未知 目标判别。 本发明方法提取的 融合特征既有全局差异信息也包含局部细节信 息， 因此改善了对未知 目标的判别性能， 实验结 果验证了本方法的有效性。 权利要求书2页 说明书5页 附图1页 CN 114821335 A 2022.07.29 CN 114821335 A 1.基于深度特征与线性判别特征融合的未知目标判别方法， 其特征在于， 包括以下步 骤： S1、 对获取的高分辨一维距离像样本数据进行能量归一化预处理， 预处理后得到一维 距离像训练样本 集为X＝[X1,X2,..,Xi,...,Xm]， Xi表示第i幅一维距离像样本， 1≤i≤m， m为 总的样本数； S2、 采用并行双通道残差网络进行深度特征提取， 并行双通道残差网络依次包括第一 卷积层、 第一批归一化层、 第二卷积层、 第二批归一化层、 并行的第一通道和第二通道、 第一 上采样层、 第三卷积层、 第三批归一化层、 第二上采样层、 第四卷积层、 第四批归一化层、 第 五卷积层、 第五批归一化层、 全连接层、 输出层； 并行的第一通道和 第二通道结构相同， 均包 括第一残差块、 第二残差块、 第三残差块， 第一残差块为通道的输入， 第一残差块和第二残 差块之间、 第二残差块和第三残差块之间具有最大值池化层， 第三残差块的输出通过卷积 和批归一 化后作为 通道的输出； 并行双通道 残差网络对训练数据的具体处 理过程为： 将单幅一维距离像样本数据Xi输入到并行双通道残差网络， 通过二维的第一卷积层后 得到特征图维度为(1,nc)， 其中， nc表示二维卷积后的特征图第二维长度， 卷积步长设定为 Sc， 关系表述 为： 经过第一批归一化层进行批归一化运算后， 再通过二维的第 二卷积层和第 二批归一化 层进行批归一 化运算后提取的局部特 征F0为： F0＝IBN(HC(IBN(HC(Xi)))) 其中， HC(·)表示特征提取的卷积运 算， IBN(·)为批归一 化运算； 将提取的局部特征F0送入并列的双通道提取多层次的空间特征： 首先输入F0到两个通 道的第一个残差块， 第一通道的输入表示为FA0、 第二通道的输入表示为FB0， 分别得到两个 通道第一个残差块的输出 FA1、 FB1： 第二个、 第三个残差组输入前经过最大池化运算IP(·)后， 第二个、 第三个残差组的输 入和输出关系如下： 其中， N＝2,3， FA(N‑1)、 FB(N‑1)分别为第一、 第二通道第N个残差组的输入， FAN、 FBN为对应第 N个残差组的输出； 由并行双通道中最后一个残差组的输出 FA3、 FB3进行相加融合得到： F(K)＝IBN(HC(FA3))+IBN(HC(FB3)) 其中， F(k)为融合特征图， H表示特征图F(k)的高度， W表示F(k)的宽度， D 表示特征图F(k)的通道数， 在融合的特征图F(k)后接一个9层卷积模块， 第三卷积层、 第四 卷积层和第 五卷积层为二维卷积层进一步提取新层次空间特征， 再利用2倍的第一上采样 层和第二上采样层将特征 图维度扩充， 使扩充后的特征图维度与输入层的维度C1相同， 最权　利　要　求　书 1/2 页 2 CN 114821335 A 2后使用1个全连接层， 将所有 特征图节点连接成一个特征矢量， 该矢量即为所提取的深度局 部特征矢量， 从而在输出层获得训练一维距离像样本Xi对应的深度局部特 征FNi； S3、 进行线性判别特征提取： 通过对一维距离像的训练数据集X进行线性判别分析， 得 到变换矩阵W， 将预处 理后的一维距离像样本Xi向W投影： FDi＝WTXi 其中， FDi为Xi对应的线性判别特 征； S4、 将深度局部特 征FNi与线性判别特 征FDi进行融合， 得到融合特 征矢量Fi： Fi＝[FNi,FDi] 其中， 1≤i≤m， 设训练目标共有p类， 对每 类融合特 征矢量进行平均： 其中， hq为第q类融合特征平均矢量， 1≤q≤p， Nq为第q类样本的个数， Fq为第q类目标的 特征融合矢量的集 合； S5、 输入待识别目标的一维距离像Xt， 同样由并行双通道残差网络提取深度局部特征 FNt， 与对应的线性判别特 征FDt进行融合得到融合特 征矢量Ft： Ft＝[FNt,FDt] 计算待识别目标样本对应的融合特征矢量Ft与p个融合特征平均矢量之间的欧氏距离， 取其中最小的欧氏距离与门限dth比较， 如果大于门限dth， 则将待识别目标判别为未知目 标， 反之判别为已知目标， 其中， 门限dth是采用统计方法得到 。权　利　要　求　书 2/2 页 3 CN 114821335 A 3