(19)中华 人民共和国 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 202111197170.X (22)申请日 2021.10.14 (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　 (74)专利代理 机构 成都点睛专利代理事务所 (普通合伙) 51232 代理人 葛启函 (51)Int.Cl. G06K 9/62(2022.01) G06F 17/16(2006.01) G06N 20/00(2019.01) G01S 7/41(2006.01) G01S 13/02(2006.01) (54)发明名称 一种低秩判别子空间真假目标一维距离像 特征提取方法 (57)摘要 本发明属于目标识别技术领域， 具体的说是 涉及一种低秩判别子空间真假目标一维距离像 特征提取方法。 本发明首先将训练样本按列组成 一个矩阵， 利用稀疏重构方法分解成低秩矩阵和 稀疏误差部分， 并在重构学习中引入低秩矩阵的 类判别信息， 然后， 对低秩矩阵进行分析建立低 秩判别子空间， 提取目标一维距离像特征。 由于 重构算法中引入了类判别信息， 增大了类间分 离， 减小了类内差异， 从而 提高了目标识别性能， 对四类仿真目标的一维距离像数据进行了仿真 实验， 实验结果验证 了该方法是有效的。 权利要求书2页 说明书3页 CN 113962298 A 2022.01.21 CN 113962298 A 1.一种低秩判别子空间真假目标一维距离像特征提取方法， 其特征在于， 包括以下步 骤： S1、 设n维列矢量xij为第i类真假目标的第j个训练一维距离像,1≤i≤g， 1≤j≤Ni， 其中g为真假目标类别数， Ni为第i类真假目标的训练样本数， N 为训练样本总数； 将训练样本组成如下矩阵X： 将矩阵进行分解 X＝L+E    (2) 其中L是一个大小与X相同的低 秩矩阵， E为相应的误差矩阵， 式(2)中存在 无穷个解， 其 最优解即是求 解以下的最小化问题： 其中||·||nu表示矩阵核范数， || ·||1表示1阶范数， β1是一个正的系数, 和 分别是 L和E的最优解， 式(3)表明， 估计量 是一个稀疏矩阵； S2、 在式(3)中引入针对矩阵L的判别量： 其中β2是一个正的系数， D(L)是针对矩阵L的判别量： 其中tr{·}表示矩阵的迹， Lij是矩阵L中与矩阵X中xij对应的列矢量， 是矩阵L属于第 i类的列矢量均值， 是矩阵L中所有列矢量的均值； S3、 通过求解式(4)获得低 秩矩阵L， 针对矩阵L中对应的类的列矢量， 进行判别分析， 得 到投影矩阵A， 将投影矩阵A定义为低秩判别子空间， 任意一维距离像 向低秩判别子空间投 影， 得到相应的特 征矢量。 2.根据权利要求1所述的一种低秩判别子空间真假目标一维距离像特征提取方法， 其 特征在于， 步骤S3中， 求 解式(4)获得低秩矩阵L的具体方法为： a.初始化参量： L(0)， Y(0)， E(0)， γ(0)>0， η>1， ε>0， kmax,k＝0； 其中， L(0)、 Y(0)和E(0) 分别是矩阵L、 Y和E的初始值， γ(0)是系数γ的初始值， 其中， Y是一个迭代中引入的调整因 子矩阵， 其大小与矩阵L相同； b.令i＝1； c.令[U,S,V]＝svd(Li(k)‑Ei(k)+Yi(k)/γ(k) ) 其中， svd( ·)为奇异值分解， S是奇异值对角矩阵， U和V分别为左右奇异矢量矩阵， Li (k)、 Ei(k)和Yi(k)分别是矩阵L(k)、 E(k)和Y(k)中与第i类有关的列矢量组成的矩阵， L(k)、 E(k)和Y(k)是第k次迭代时矩阵L、 E和Y的值； 计算 Li(k+1)＝Uf(S)VT权　利　要　求　书 1/2 页 2 CN 113962298 A 2Ei(k+1)＝f(Xi‑Li(k+1)+Yi(k)/γ(k) ) Yi(k+1)＝Yi(k)+γ(k)(Xi‑Li(k+1)‑Ei(k+1)) 其中函数 Xi为第i类的训练样本组成的矩阵， Li(k+1)、 Ei(k+1)和 Yi(k+1)分别是矩阵L(k+1)、 E(k+1)和Y(k+1)中与第i类有 关的列矢量 组成的矩阵， L(k+1)、 E(k+1)和Y(k+1)是第k+1次迭代时矩阵L、 E和Y的值； d.如果i＝g， 进入步骤e， 否则， i ＝i+1， 回到步骤c； e.令γ(k+1)＝ ηγ(k)； f.如果k<kmax， 则k＝k+1， 回到步骤b继续迭代， 否则终止迭代， 获得低秩矩阵L。权　利　要　求　书 2/2 页 3 CN 113962298 A 3