本發(fā)明屬于雷達
技術(shù)領(lǐng)域：
，特別涉及一種目標鑒別方法，可用于在合成孔徑雷達SAR圖像中有效地鑒別目標。
背景技術(shù)：
：雷達成像技術(shù)是20世紀50年代發(fā)展起來的，在以后的60年里得到了突飛猛進的發(fā)展，目前，已經(jīng)在軍事、農(nóng)林、地質(zhì)、海洋、災害、繪測等諸多方面得到廣泛的應用。合成孔徑雷達SAR具有全天候、全天時、分辨率高以及穿透力強等特點，成為目前對地觀測和軍事偵察的重要手段。SAR圖像自動目標識別是當前SAR應用的前沿課題，具有重要的研究意義和廣泛的應用前景。美國林肯實驗室提出了SAR圖像自動目標識別的三級處理流程圖并被廣泛使用。該流程采用一種分層注意機制，其實現(xiàn)過程是：首先，對整幅SAR圖像進行檢測處理，除去圖像中明顯不是目標的區(qū)域，得到潛在目標區(qū)域；然后，對潛在的目標區(qū)域進行目標鑒別處理，以剔除其中的自然雜波虛警，或剔除明顯比目標大或者小的區(qū)域；通過目標的檢測和鑒別階段，得到目標感興趣區(qū)域ROI；最后，再對目標ROI進行分類識別?，F(xiàn)有文獻中提出了很多SAR圖像目標鑒別方法，常用的有全監(jiān)督的二類支持向量機SVM鑒別器和一類支持向量數(shù)據(jù)描述SVDD鑒別器。訓練全監(jiān)督的二類SVM鑒別器需要有大量標記的訓練樣本，如果第一步檢測是基于無監(jiān)督的，則對得到的檢測結(jié)果進行人工標記，既耗時又耗力，同時，對于模糊或遮擋的樣本，可能導致錯誤的標記，影響鑒別器的學習；一類SVDD鑒別器只需要一類數(shù)據(jù)就可以進行學習，通常情況下，雜波數(shù)據(jù)更容易得到，雖然它減少了人工標記的繁瑣，但是相對目標而言，雜波數(shù)據(jù)更復雜，種類更多，訓練得到的模型不能很好地適應復雜場景下SAR圖像目標和雜波的鑒別，進而影響最后的鑒別性能。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)的不足，提出一種基于弱監(jiān)督學習的SAR圖像目標鑒別方法，其在鑒別性能與全監(jiān)督的二類SVM鑒別器相近的同時減少人工標記樣本的成本，且相對比雜波訓練的一類SVDD鑒別器對復雜場景SAR圖像的目標鑒別性能更優(yōu)。本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：一、技術(shù)思路在實際應用中，對目標檢測后的樣本進行標記是繁瑣和耗時的，同時對于遮擋或模糊的樣本的標記也是困難的，而對于檢測前的圖中是否有目標的標記就相對比較容易。所謂的弱監(jiān)督信息指檢測前的圖中是否有目標的標記，含有目標的圖像標為正圖像；不含目標的圖像標為負圖像。本發(fā)明引入弱監(jiān)督的思想用于SAR圖像目標的鑒別。用傳統(tǒng)的雙參數(shù)CFAR對SAR圖像進行檢測，負圖像得到的檢測結(jié)果組成負圖像樣本集，都是負樣本，無需人工標記，而正圖像得到的檢測結(jié)果組成正圖像樣本集，既有正樣本也有負樣本，利用負圖像樣本集都是負樣本的信息從正圖像樣本集中挑選出初始正樣本集，然后利用負圖像負樣本集和挑選的初始正樣本集訓練全監(jiān)督的二類SVM鑒別器，再利用得到的鑒別器從初始正樣本集中挑選正樣本集迭代訓練全監(jiān)督的二類SVM鑒別器，直到得到最優(yōu)的鑒別器。最后，用得到的最優(yōu)鑒別器對測試樣本集進行目標鑒別。二、技術(shù)方案根據(jù)上述原理，本發(fā)明的技術(shù)方案包括如下：A、訓練步驟(A1)對正圖像樣本集X+和負圖像的負樣本集X-中的每個訓練樣本提取M維局部限制性編碼LLC特征，M＝1024，其中，正圖像樣本集X+中沒有人工標記，既包含正樣本也包含負樣本：(A11)對每個訓練樣本提取密集尺度不變特征變換SIFT特征，并對所有訓練樣本的密集尺度不變特征變換SIFT特征用Kmeans聚成M類；(A12)用M個聚類中心構(gòu)造碼本CB，即M個聚類中心按列排列組成的矩陣作為碼本CB；(A13)用構(gòu)造的碼本CB對每個訓練樣本的密集尺度不變特征變換SIFT特征進行局部限制性編碼，得到訓練樣本編碼后的局部限制性編碼LLC特征；(A2)用負圖像的負樣本集X-訓練潛在的狄利克雷分配LDA主題模型，并用該潛在的狄利克雷分配LDA主題模型從正圖像樣本集X+中挑選初始的正樣本集(A3)用負樣本集X-和初始的正樣本集迭代全監(jiān)督的二類SVM鑒別器，得到最優(yōu)鑒別器；B、測試步驟(B1)對測試樣本集中的每個測試樣本提取M維局部限制性編碼LLC特征：(B11)對每個測試樣本提取密集尺度不變特征變換SIFT特征；(B12)用訓練步驟(A12)中構(gòu)造的碼本CB對每個測試樣本的密集尺度不變特征變換SIFT特征提取局部限制性編碼，得到每個測試樣本的局部限制性編碼LLC特征；(B2)用訓練得到的最優(yōu)鑒別器根據(jù)測試樣本的局部限制性編碼LLC特征對測試樣本進行鑒別，得到鑒別結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點：1、減少全監(jiān)督中人工標記的成本現(xiàn)有的全監(jiān)督SAR圖像目標鑒別方法需要對訓練集中的所有樣本進行標記，為后續(xù)全監(jiān)督二類鑒別器的訓練提供足夠的訓練數(shù)據(jù)，但是對訓練樣本進行人工標記既耗時又耗力，同時，對于模糊或遮擋的樣本，也會造成標記困難，影響鑒別器的訓練。本發(fā)明利用已有的負樣本集從沒有人工標記的正圖像樣本集中不斷挑選正樣本集，用于全監(jiān)督的二類SVM鑒別器的訓練并對SAR圖像進行目標鑒別，減少了人工標記的成本，在實際應用中，更具有實用性。2、相比雜波訓練的一類SVDD鑒別器的鑒別性能更優(yōu)現(xiàn)有的一類鑒別器用負樣本集進行訓練，用得到的一類鑒別器對SAR圖像進行目標鑒別，由于負樣本集中的負樣本更復雜，種類更多，訓練得到的模型不能很好的適應復雜場景下目標和雜波的鑒別。而本發(fā)明利用弱監(jiān)督學習，不斷從正圖像的樣本集中挑選正樣本集，迭代訓練全監(jiān)督二類SVM鑒別器，得到最優(yōu)鑒別器，相比雜波訓練的一類SVDD鑒別器的鑒別性能更優(yōu)。以下結(jié)合附圖和實例對本發(fā)明作進一步詳細描述。附圖說明圖1是本發(fā)明的實現(xiàn)流程圖；圖2是本發(fā)明實驗使用的負圖像的負樣本示例圖；圖3是本發(fā)明實驗使用的正圖像的樣本示例圖；圖4是本發(fā)明實驗使用的測試集樣本示例圖。具體實施方式參照圖1，本發(fā)明的實現(xiàn)分為訓練和測試兩個階段，其步驟如下：一、訓練階段步驟1，提取訓練樣本集中每個樣本的密集尺度不變特征變換SIFT特征。(1.1)輸入訓練樣本集X＝{X+,X-}，其中，X+是正圖像的樣本集，既有正樣本也有負樣本，X-是負圖像的負樣本集，所有樣本均為負樣本；(1.2)提取訓練樣本集中訓練樣本x的密集尺度不變特征變換SIFT特征：(1.2a)對訓練樣本x先進行二范數(shù)歸一化處理，得到歸一化后的訓練樣本：再設(shè)定大小為5×5的高斯模板M：M=0.00300.01330.02190.01330.00300.01330.05960.09830.05960.01330.02190.09830.16210.09830.02190.01330.05960.09830.05960.01330.00300.01330.02190.01330.0030;]]>其中norm表示求樣本的二范數(shù)；(1.2b)通過高斯模板M與歸一化后的樣本xN卷積，得到處理后的訓練樣本：I＝xN*M，其中，*表示求卷積；(1.2c)用一維的水平梯度模板A＝[-0.5,0,0.5]和垂直梯度模板AT對(1.2b)得到的訓練樣本I進行卷積，得到該訓練樣本的水平梯度圖Gx＝I*A和垂直梯度圖Gy＝I*ΑT，構(gòu)成該樣本的梯度幅度圖Gm和梯度方向圖Go：Gm=(Gx)2+(Gy)2,]]>Go=arctan(GyGx)]]>其中，arctan是反正切函數(shù),T表示求轉(zhuǎn)置，*表示求卷積；(1.2d)在訓練樣本x中取一個大小為16×16的切片P，并分別在梯度幅度圖Gm和梯度方向圖Go中的對應位置取大小為16×16的區(qū)域作為切片P的梯度幅度圖gm和梯度方向圖go；(1.2e)將切片P以4個像素為步長無重疊地劃分網(wǎng)格，得到16個大小為4×4的小區(qū)域，將這16個小區(qū)域按從下到上，從左到右的順序排序，得到第j個4×4的小區(qū)域在切片P中的中心位置：Oj＝(Ojx,Ojy)，其中Ojx和Ojy分別是該小區(qū)域的中心在切片P中的寬和高：Ojx=2.5+4×int(j4),]]>Ojy=2.5+4×(mod(j4)-1)]]>其中，int(·)表示取商運算，mod(·)表示取余運算，j∈[1,16]且為整數(shù)；(1.2f)計算切片P中位置(lx,ly)處的像素點對第j個4×4的區(qū)域的梯度幅度加權(quán)值w：w＝(1-|lx-Ojx|)·I(|lx-Ojx|＜4)×(1-|ly-Ojy|)·I(|ly-Ojy|＜4)，對切片P中每一個像素點計算其對第j個4×4的小區(qū)域的梯度幅度加權(quán)值，并將每一個像素點對第j個4×4的小區(qū)域的梯度幅度加權(quán)值按像素點在切片P中的位置進行排列，得到切片P針對第j個4×4的小區(qū)域的幅度加權(quán)矩陣wj，其中，(lx,ly)為像素點在切片P中的位置坐標，即lx和ly分別為像素點在切片P中的寬和高，lx,ly∈[1,16]且為整數(shù)，I為指示函數(shù)；(1.2g)根據(jù)幅度加權(quán)矩陣wj，計算切片P對第j個4×4的小區(qū)域的加權(quán)梯度幅度圖：gmj＝gm·wj，其中，·表示對應元素的點乘，gm表示切片P的梯度幅度圖，wj表示切片P針對第j個4×4的小區(qū)域的幅度加權(quán)矩陣；(1.2h)分別在加權(quán)梯度幅度圖gmj和梯度幅度方向圖go中以點(Ojx,Ojy)為中心位置取大小為4×4的區(qū)域，作為切片P中第j個4×4小區(qū)域的加權(quán)梯度幅度圖g′mj和梯度方向圖g′oj；(1.2i)將[0,2π]平均分成8個方向，第i個方向區(qū)間為i∈[1,8]且為整數(shù)，計算第j個4×4的小區(qū)域的梯度方向圖g′oj在8個方向上對應的加權(quán)梯度幅度和，得到8維的加權(quán)梯度幅度向量Hj；(1.2j)對切片P中的其他4×4的小區(qū)域重復(1.2f)-(1.2i)，得到其8維的加權(quán)梯度幅度向量，這16個加權(quán)梯度幅度向量組成列向量d＝[H1,...,Hj,...,H16]T，其中T表示轉(zhuǎn)置，d即為切片P對應的128維尺度不變特征變換SIFT特征；(1.2k)對訓練樣本x以網(wǎng)格長度L＝16，滑動步長step＝6進行從左到右，從上到下滑動得到K個大小為16×16的網(wǎng)格，對每個16×16的網(wǎng)格按(1.2d)到(1.2j)提取對應的128維尺度不變特征變換SIFT特征，構(gòu)成該樣本x的密集尺度不變特征變換SIFT特征D＝[d1,...,dn,...,dK]，其中，dn是訓練樣本x中第n個16×16網(wǎng)格得到的128維尺度不變特征變換SIFT特征，n∈[1,K]且為整數(shù)，其中，表示得到的大小為16×16的網(wǎng)格個數(shù)，W和H分別為樣本x的寬和高，floor(a)表示取不大于a的最大整數(shù)；(1.3)對訓練集X中的所有樣本重復步驟(1.2)，得到所有樣本的密集尺度不變特征變換SIFT特征。步驟2，根據(jù)訓練樣本集所有樣本的密集尺度不變特征變換SIFT特征，構(gòu)建碼本。(2.1)將訓練樣本集中所有樣本的密集尺度不變特征變換SIFT特征按列組合，得到一個大小為128×(K×N)的尺度不變特征變換SIFT特征集S，其中N是訓練集X中訓練樣本的個數(shù)；(2.2)用Kmeans對特征集S聚成M類，并將得到的M個聚類中心按列排列，得到一個128×M的碼本CB＝[cb1,...,cbm...,cbM]，其中cbm是第m個聚類中心。步驟3，對訓練樣本集中的每個樣本的密集尺度不變特征變換SIFT特征進行局部限制性編碼，得到局部限制性編碼LLC特征。(3.1)用步驟2中得到的碼本CB對訓練樣本x的密集尺度不變特征變換SIFT特征進行局部限制性編碼，得到局部限制性編碼LLC特征：(3.1a)對訓練樣本x的密集尺度不變特征變換SIFT特征D＝[d1,...,dn,...,dK]中的第n個128維尺度不變特征變換SIFT特征dn，計算dn與碼本CB中每個碼本元素的歐式距離，找到歐式距離最小的5個碼本元素，并按列排列構(gòu)成局部基LBn；(3.1b)分別用尺度不變特征變換SIFT特征dn與其對應的局部基LBn中的5個元素的歐式距離除以其與5個元素的歐式距離之和，得到局部基LBn中的5個元素對應的編碼系數(shù)(3.1c)將碼本CB中所有的碼本元素對應的編碼系數(shù)組成列向量，得到特征dn的編碼系數(shù)cn，其中碼本CB中除了局部基LBn中的碼本元素之外，其他的碼本元素對應的編碼系數(shù)均為0；(3.1d)對訓練樣本x的密集尺度不變特征變換SIFT特征D＝[d1,...,dn,...,dK]中的K個128維尺度不變特征變換SIFT特征按步驟(3.1a)-(3.1c)進行編碼，得到對應的編碼系數(shù)矩陣c＝[c1,...,cn,...,cK]，對編碼系數(shù)矩陣c中的每一行元素求其最大值，得到訓練樣本x的M維局部限制性編碼LLC特征；(3.2)對訓練樣本集X＝{X+,X-}中的所有訓練樣本的密集尺度不變特征變換SIFT特征按步驟(3.1)進行編碼，得到訓練樣本集中所有樣本的M維局部限制性編碼LLC特征。步驟4，用負圖像的負樣本集X-的局部限制性編碼LLC特征學習潛在的狄利克雷分配LDA主題模型。(4.1)根據(jù)負圖像的負樣本集X-的局部限制性編碼LLC特征構(gòu)建“文檔-詞”矩陣：用負圖像的負樣本集X-作一個文檔集合，每一個負樣本作為一個文檔；用局部限制性編碼LLC特征的作為文檔集合中可能出現(xiàn)的M個詞；用第m維的局部限制性編碼LLC特征值作為第m個詞出現(xiàn)的概率，其中m∈[1,M]且為整數(shù)；通過上述過程，將每個負樣本的M維局部限制性編碼LLC特征轉(zhuǎn)化為M維詞向量表示，并將用M維詞向量表示的負樣本按行排列，形成“文檔-詞”矩陣；(4.2)將(4.1)中構(gòu)建的“文檔-詞”矩陣填入潛在的狄利克雷分配LDA模型中，設(shè)定主題個數(shù)T＝9，利用變分貝葉斯VB算法得到潛在的狄利克雷分配LDA主題模型：p(W|α,β)=∫p(θ|α)Πi=1MΣzip(zi=k|θ)p(wi|zi=k)p(φzi=k|β)dθ]]>其中，W表示一篇文檔的詞向量，M表示一篇文檔的詞個數(shù)；θ表示一篇文檔的主題分布，θ服從參數(shù)為α的狄利克雷分布，α是一個T維的行向量；zi表示第i個詞的主題，zi服從參數(shù)為θ的多項式分布，k表示第k個主題；wi表示文檔中的第i個詞，wi服從參數(shù)為zi的多項式分布；φk表示第k個主題的詞分布，φk服從參數(shù)為β的狄利克雷分布，β是一個M維的行向量。步驟5，用步驟4學到的潛在的狄利克雷分配LDA主題模型從正圖像樣本集X+中挑選初始的正樣本集(5.1)根據(jù)步驟4學習的潛在的狄利克雷分配LDA模型，計算訓練樣本中所有樣本的似然概率；(5.2)將負圖像的負樣本集X-中所有負樣本的似然概率按從大到小的順序排序，取第0.8×Q的負樣本的似然概率作為挑選初始正樣本集的挑選門限Tr，其中Q為負樣本集X-中負樣本的個數(shù)；(5.3)將正圖像的樣本集X+中樣本的似然概率小于挑選門限Tr的樣本選出，組成新的樣本集合，即為挑選的初始正樣本集步驟6，用負圖像的負樣本集X-和初始的正樣本集迭代訓練全監(jiān)督的二類SVM鑒別器，得到最優(yōu)鑒別器。(6.1)設(shè)置初始的虛警率FR0＝1，并設(shè)訓練的正樣本集其中為挑選的初始正樣本集；(6.2)從負樣本集X-中隨機選擇與初始正樣本集樣本個數(shù)相同的負樣本組成訓練的負樣本集(6.3)用訓練的正樣本集和訓練的負樣本集訓練一個基于局部限制性編碼LLC特征的全監(jiān)督的二類SVM鑒別器，得到鑒別器的分類模板W0和偏差b0；(6.4)根據(jù)(6.3)得到的鑒別器，計算鑒別器的虛警率：其中，Nf是訓練的負樣本集中錯判為正樣本的誤判集合中的樣本個數(shù)，是訓練的負樣本集中的第q個負樣本，是負樣本對應的局部限制性編碼LLC特征，T表示求轉(zhuǎn)置，NT是訓練的負樣本集中負樣本的個數(shù)；(6.5)將(6.4)得到的鑒別器虛警率FR與設(shè)定的虛警率FR0進行比較；(6.5a)對于FR＜FR0的情況，則更新設(shè)定的虛警率FR0＝FR，并對訓練的正樣本集進行如下更新，返回步驟(A32)：首先，根據(jù)訓練得到的鑒別器計算初始的正樣本集中每個樣本的得分：Score(xp+)=W0T·fp++b0]]>其中，是初始的正樣本集中的第p個樣本，是樣本對應的M維局部限制性編碼LLC特征，W0和b0分別是鑒別器的分類模板和偏差系數(shù)，是樣本的得分；然后，根據(jù)初始的正樣本集中所有樣本的得分計算更新樣本的門限Ts：Ts=Σp=1Ryp+·Score(xp+)Σp=1Ryp+,]]>其中，R是初始的正樣本集中的樣本個數(shù)，是樣本分類后的標記，如果樣本的得分大于等于0，則否則，最后，將初始的正樣本集中樣本得分大于等于門限Ts的樣本組成新的樣本集，即為更新后的訓練正樣本集；(6.5b)對于FR≥FR0的情況，則將(A33)得到的分類器作為最優(yōu)鑒別器，即最優(yōu)鑒別器模板W*＝W0，偏差系數(shù)b*＝b0。二、測試階段步驟7，按照步驟1的方法對測試樣本集中的每個測試樣本提取密集尺度不變特征變換SIFT特征。步驟8，對測試樣本集中每個測試樣本的密集尺度不變特征變換SIFT特征按照步驟3的編碼方法進行局部限制性編碼，得到測試樣本的局部限制性編碼LLC特征。步驟9，用訓練階段得到的最優(yōu)分類器根據(jù)測試樣本的局部限制性編碼LLC特征進行分類鑒別，得到測試樣本集的鑒別結(jié)果。(9.1)用得到的最優(yōu)鑒別器計算測試樣本集Xtest中測試樣本xtest的得分：Score(xtest)＝(W*)T·ftest+b*其中，xtest是測試樣本集Xtest中的一個測試樣本，ftest是測試樣本xtest對應的M維局部限制性編碼LLC特征，W*和b*分別是最優(yōu)鑒別器的分類模板和偏差系數(shù)，Score(xtest)是測試樣本xtest的得分；(9.2)根據(jù)測試樣本xtest的得分對測試樣本進行分類鑒別：如果測試樣本xtest的得分Score(xtest)大于等于0，則將該測試樣本鑒別為正樣本，否則，將該測試樣本鑒別為負樣本；(9.3)按步驟(9.1)-(9.2)對測試樣本集Xtest中的每個測試樣本進行分類鑒別，得到鑒別結(jié)果。本發(fā)明的效果可以通過以下實驗進一步說明：1.實驗條件實驗運行平臺：MATLABR2012a,Intel(R)Core(TM)i5-4590CPU@3.30GHZ,Windows7旗艦版。實驗所用數(shù)據(jù)是美國SandiaMiniSAR公開數(shù)據(jù)集，數(shù)據(jù)集中需要鑒別的目標為小車。含有小車的樣本為正樣本，不含小車的樣本為負樣本。實驗中使用的訓練樣本集包括負圖像的負樣本集和正圖像的樣本集。其中：負圖像的負樣本集有333個大小為100×100的負樣本，圖2給出了12個負圖像的負樣本示例；正圖像的樣本集有469個大小為100×100的樣本，其中有156個正樣本和313個負樣本，圖3給出了12個正圖像的樣本示例；測試樣本集中有426個大小為100×100的測試樣本，其中有153個正樣本和273個負樣本，圖4給出了12個測試樣本集示例。實驗中，線性分類器SVM的松弛因子C＝1。2.實驗內(nèi)容：實驗1，用本發(fā)明方法從已知的包括正樣本和負樣本的正圖像的樣本集中不斷挑選正樣本集，用于訓練最優(yōu)鑒別器，然后用得到最優(yōu)鑒別器對測試樣本集進行分類鑒別。實驗2，用傳統(tǒng)的全監(jiān)督二類SVM鑒別器對正圖像中的正樣本集和負圖像的負樣本集進行訓練，得到鑒別器，然后對測試樣本集進行分類鑒別。本實驗中需要對正圖像的樣本集進行正負樣本的標記。實驗3，用傳統(tǒng)的線性一類SVDD鑒別器對負圖像的負樣本集進行訓練，得到一類鑒別器，然后對測試樣本集進行分類鑒別。一類SVDD鑒別器參考2001年DelftUniversityofTechnology的D.Tax的博士論文—one-classclassification。實驗1、實驗2和實驗3的鑒別結(jié)果如表1：表1本發(fā)明方法和對比方法的鑒別結(jié)果對比3.實驗結(jié)果分析由表1可以看出，針對實驗所用的SAR圖像數(shù)據(jù)，本發(fā)明應用基于弱監(jiān)督學習的的SAR圖像目標鑒別方法實現(xiàn)了目標和雜波的鑒別，表明本發(fā)明的鑒別方法具有良好的性能。由表1還可以看出，全監(jiān)督的二類SVM鑒別器的鑒別性能稍優(yōu)于本發(fā)明方法，但是全監(jiān)督分類需要提供足夠的帶標記訓練樣本，而對于大量數(shù)據(jù)，對樣本進行人工標記既耗時又耗力，嚴重影響了系統(tǒng)實時性的處理；而本發(fā)明與一類SVDD鑒別器的鑒別結(jié)果相比，明顯具有更好的鑒別性能。雜波訓練的一類SVDD鑒別器雖然只利用了雜波數(shù)據(jù)，減少了人工標記樣本的成本，但是由于雜波數(shù)據(jù)的復雜多樣性，訓練得到的模型不能很好的適應復雜場景下目標和雜波的分類鑒別。綜上，本發(fā)明利用弱監(jiān)督信息，不斷挑選正樣本集，迭代訓練全監(jiān)督的二類SVM鑒別器，得到最優(yōu)鑒別器實現(xiàn)對目標和雜波的分類鑒別，相比全監(jiān)督的二類SVM鑒別器，在鑒別性能相近的同時減少了人工標記的成本，在實際應用中，更具有實用性，而相比用雜波訓練的一類SVDD鑒別器，在復雜場景目標和雜波的鑒別中具有更好的鑒別性能，具有良好的應用前景。當前第1頁1 2 3