● 摘要
从二维图像中识别三维运动目标，一直是计算机视觉与模式识别的研究热点。飞机作为一类典型的三维运动目标，分析其特征并对其进行机型的自动识别始终受到国内外学者的研究和关注。但是对于飞机存在姿态变换并且缺乏足够的样本时，怎样有效的提取飞机目标特征一直是研究的难点所在。特征提取是对原始图像或数据进行变换产生一些有用的或者新的特征，以降低后续分类学习问题的难度。本文主要研究的是基于流形学习思想的特征提取算法以及在飞机目标识别中的应用，本文的主要贡献如下：1. 基于图嵌入框架理论，提出了基于空间平滑的加权边缘鉴别分析(WMFA-SS)特征提取算法。本方法引入热能核方程来刻画不同型号飞机图像之间的权值关系，同时还引入拉普拉斯罚函数约束目标函数的参数来达到空间平滑性。在本算法中，我们不把基函数当作一个 m1×m2的一维向量，而是当作一个定义在m1×m2方格上的二维矩阵。这样离散拉普拉斯滤波器便可以同时沿着水平或者垂直方向测量基函数的平滑度。罚函数的选择不仅使得目标函数引入了关于图像中相邻像素具有相关性的先验信息，并且能够有效的避免了本征图中拉普拉斯矩阵的奇异性。最后在三维合成聚类数据和飞机图像数据库上大量的对比试验结果验证了本算法的优越性。2. 对线性鉴别分析算法进行了改进，提出了基于支持向量机的鉴别分析(SVM-DA)特征提取算法。算法利用支持向量机的边界取代同样的协方差矩阵进行类间散度关系的刻画，并引入特征谱约束来解决小样本引起的矩阵奇异性和特征维度限制问题。为了评估算法的有效性，我们选取飞机目标数据库和Yale B，CMU PIE人脸公开数据库进行对比实验验证，最终验证了本算法的改进特点及优越性。3. 选取上述基于流形学习的算法建立飞机目标识别系统，并对系统进行识别测试，最终在图像集一上获取了90.05%的识别率，在图像集二上获得了99.25%的识别率。