11.4.2  特征融合过程

11.4.2 特征融合过程

本章基于PCA-CCA方法进行可见光图像和红外图像特征级融合的具体算法流程如下：

1）提取目标图像的特征。对待识别的目标图像进行预处理，然后对可见光图像提取灰度共生矩阵、Hu不变矩和小波矩特征，对红外图像提取仿射不变矩、小波矩和Zernike不变矩特征。

2）利用PCA方法对可见光图像的特征向量进行降维处理，提取出向量X。

3）利用PCA方法对红外图像的特征向量进行降维处理，提取出向量Y。

4）将样本空间内的样本特征向量进行归一化处理。

5）基于CCA方法的特征融合。首先计算出X与Y中样本的总协方差矩阵Σ₁₁、Σ22及互协方差矩阵Σ₁₂；然后计算Σ₁^-11Σ₁₂Σ₂^-21Σ₂₁和Σ₂^-21Σ₂₁Σ₁^-11Σ₁₂矩阵的非零特征值λ₁≥λ₂≥…≥λ_d≥…≥0，以及对应的特征向量a和b；最后由U_i=a′X和V_i=b′Y分别求出典型变量，如下所示：

U_i=a_i1X₁+a_i2X₂+…a_ipX_p=a′X（11-32）

V_i=b_i1Y₁+b_i2Y₂+…+b_iqY_q=b′Y（11-33）

如果第一组典型变量（U₁，V₁）不足以代表两组原始变量的信息，那么继续求出第二组（U₂，V₂），第三组（U₃，V₃），…，第i组（U_i，V_i），然后将线性变换

作为投影后的组合特征用于分类。

完整的基于PCA-CCA的特征融合识别过程如图11-1所示。

图11-1 基于PCA-CCA特征融合识别过程的流程图