(19)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 202211267513.X (22)申请日 2022.10.17 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 计科峰　马晓杰　冷祥光　封斯嘉　 张琳彬　 (74)专利代理 机构 长沙国科天河知识产权代理 有限公司 432 25 专利代理师 邱轶 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/74(2022.01) G06V 10/40(2022.01)G06V 10/82(2022.01) (54)发明名称 基于极值理论的SAR目标开集与增量识别方 法及装置 (57)摘要 本申请涉及一种基于极值理论的SAR目标开 集与增量识别方法及装置。 所述方法包括： 通过 根据SAR图像中的目标特征， 计算各目标与其他 类别目标之间的欧式距离， 并利用极值理论确定 各类目标的边界， 得到开集识别模型， 再次针对 每类目标， 将距离边界问题转换为集合覆盖问 题， 选择出每类的关键样本用于增量学习并轻量 化开集识别模 型。 然后在利用开集识别模型对已 知类别目标分类， 同时寻找出未知类别目标。 当 模型找到 未知类别的目标， 并根据该未知目标更 新开集识别模 型以增加该模型的已知目标类别。 采用本方法能够可以对已知类别目标进行正确 分类， 同时可以辨别出 未知类别的目标。 权利要求书2页 说明书9页 附图2页 CN 115512183 A 2022.12.23 CN 115512183 A 1.基于极值理论的SAR目标开 集与增量识别方法， 其特 征在于， 所述方法包括： 获取SAR图像数据集， 所述SAR图像数据集中包括多个不同已知目标类别的SAR图像； 利用由多尺度结构相似损失函数改进后的自编码器对所述SAR图像数据集中的各SAR 图像进行目标特征提取， 得到各所述SAR图像样 本的目标特征， 并将得到目标特征作为样本 构建训练样本集； 基于特征空间， 计算所述训练样本集中各样本与其他目标类别中所有样本之间的欧式 距离， 再利用极值理论构建开 集识别模型； 在所述训练样本集中， 选取各目标类别 中具有代表性的关键样本， 并根据各类目标的 关键样本对所述 开集识别模型进行压缩得到轻量 化的开集识别模型； 获取待识别SAR图像， 提取该SAR图像的待识别目标特征， 利用所述轻量化的开集识别 模型根据所述待识别目标特征对待识别SAR图像进 行目标分类， 并得到 分类结果， 若分类结 果为未知目标类别， 则 在该待识别SAR图像进 行人工标注后， 将对应的待识别目标特征与所 述关键样本构建新训练样本集， 并利用所述新训练样本集更新所述轻量化的开集识别模 型。 2.根据权利要求1所述的SAR目标开集与增量识别方法， 其特征在于， 所述基于特征空 间， 计算所述训练样本集中各样本与其他 目标类别中所有样本之间的欧式距离， 再利用极 值理论构建开 集识别模型包括： 计算每个目标类别中各样本与其 他目标类别中所有样本之间的欧式距离； 选择最小的τ个值对韦布尔分布函数进行拟合， 以得到每 个样本的韦布尔参数； 根据每个目标类别中所有样本的韦布尔 参数确定对应目标类别的边界， 根据 各目标类 别的边界构建得到所述 开集识别模型。 3.根据权利要求2所述的SAR目标开集与增量识别方法， 其特征在于， 根据以下公式得 到各样本的韦布尔参数： 在上式中， xi表示样本， xj表示xi所属目标类别以外的其他目标类别的样本， λi以及ki为 样本xi的韦布尔参数。 4.根据权利要求2所述的SAR目标开集与增量识别方法， 其特征在于， 所述根据各目标 类别的边界构建得到所述 开集识别模型包括： 根据各目标类别的边界对应建立各目标类别的概 率方程； 由各目标类别的概 率方程构建得到所述 开集识别模型。 5.根据权利要求 4所述的SAR目标开 集与增量识别方法， 其特 征在于， 所述 概率方程为： 在上式中， A为目标类别， xt为待识别SAR图像， xi为A目标类别中的一个样本， λi以及ki为 样本xi的韦布尔参数。 6.根据权利要求1所述的SAR目标开集与增量识别方法， 其特征在于， 所述在所述训练 样本集中， 选取各目标类别中具有代表性的关键样本， 并根据各类目标的关键样本对所述权　利　要　求　书 1/2 页 2 CN 115512183 A 2开集识别模型进行压缩得到轻量 化的开集识别模型包括： 在各目标类别 中找出各样本的包含样本， 再基于贪心算法， 从各目标类别 中选出样本 数量最小的样本集 合， 则该集 合中的样本为所述关键样本； 根据各目标类别中的关键样本重新确定对应目标类别的边界， 并根据重新确定后的各 目标类别边界构建得到所述轻量 化的开集识别模型。 7.根据权利要求6所述的SAR目标开集与增量识别方法， 其特征在于， 在各目标类别 中 找出各样本的包 含样本具体包括： 对同一个目标类别中的样本xi和样本xj进行如下判断， 若满足Ψ(||xi‑xj||； λi,ki)＞δ 且Ψ(||xj‑xi||； λj,kj)＜δ， 则样本xi包含样本xj， 其中， δ为预设阈值， λi以及ki为样本xi的 韦布尔参数， λj以及kj为样本xj韦布尔参数。 8.根据权利要求1所述的SAR目标开集与增量识别方法， 其特征在于， 在利用所述新训 练样本集更新所述轻量化的开集识别模型之前， 还对所述新训练样本集中的未知目标类别 对应的样本进行 人工标注。 9.基于极值理论的SAR目标开 集与增量识别装置， 其特 征在于， 所述装置包括： SAR图像数据集获取模块， 用于获取SA R图像数据集， 所述SA R图像数据 集中包括多个不 同目标类别的SAR图像； 训练样本集构建模块， 用于利用由多尺度 结构相似损失函数 改进后的自编码器对所述 SAR图像数据集中的各SAR图像进 行目标特征提取， 得到各所述SAR图像样 本的目标特征， 并 将得到目标 特征作为样本构建训练样本集； 开集识别模型构建模块， 用于基于特征空间， 计算所述训练样本集中各样本与其他目 标类别中所有样本之间的欧式距离， 再利用极值理论构建开 集识别模型； 开集识别模型构建压缩模块， 用于在所述训练样本集中， 选取各目标类别 中具有代表 性的关键样本， 并根据各类目标的关键样本对所述开集识别模型进行压缩得到轻量化的开 集识别模型； 目标识别及增量模块， 用于获取待识别SA R图像， 提取该SAR图像的待识别目标特征， 利 用所述轻量化的开集识别模型根据所述待识别目标特征对待识别SAR 图像进行目标分类， 并得到分类结果， 若分类结果为未知目标类别， 则在该待识别SAR图像进行人工标注后， 将 对应的待识别目标特征与所述关键样本构建新训练样本集， 并利用所述新训练样本集更新 所述轻量 化的开集识别模型。权　利　要　求　书 2/2 页 3 CN 115512183 A 3