结合多特征融合和极限学习机的红外图像目标分类方法

作者：王鹏翔; 张兆基; 杨怀

来源：红外与激光工程, 2022, 51(06): 506-511.

• 红外图像
• 目标分类
• 多特征融合
• 极限学习机

针对红外图像目标分类问题，提出了结合多特征融合和极限学习机(extreme learning machine,ELM)的方法。采用主成分分析(principal component analysis,PCA)、局部二值模式(local binary pattern,LBP)以及尺度不变特征变换(scale-invariant feature transform,SIFT)三类特征分别描述红外图像中目标的像素分布、局部纹理以及特征点信息。三类特征从不同侧面反映红外图像目标特性，因此具有互为补充的优势。在此基础上，基于多重集典型相关分析(multiset canonical correlations analysis,MCCA)对三类特征进行融合处理，获得统一的特征矢量。融合后的特征不仅继承了原始三类特征的鉴别特性，还有效去除了冗余信息。分类过程中，采用极限学习机作为基础分类器对融合特征矢量进行分类。极限学习机具有参数少、效率高、精度高和稳健性强等显著特点，有利于提高红外目标分类的整体性能。因此，所提出的方法通过结合多特征和极限学习机的优势综合提升了目标识别性能。在实验过程中，采用四类飞机目标的红外图像对所提出方法进行了性能测试。根据与现有几类方法的对比，实验结果证明了提出方法的性能优势。

• 单位
  西藏民族大学