《基于高斯过程的空间目标分类开题报告》.docxVIP

开题报告基于高斯过程的空间目标分类空间目标 空间目标主要是指卫星，随着天基光学系统对空间目标具备逐步成像的能力，这为从光学图像角度识别空间目标提供了可靠条件。如同一般图像，空间目标图像往往也都存在噪声、光照模糊、视角变化等因素另外空间目标分类是一种类内的目标分类，各目标的外观特征差异较小因此会造成图像表达上的相似性问题，这给空间目标识别带来很大难度。分类与识别有时候可以等价理解，分类即将未知类别的目标划归为指定的一类，识别的概念更为广泛，包括：目标定位、检测、分类等含义，大多时候分类与识别指的是相同的一个概念。目标的分类与识别主要包括两个研究内容：一是准确地描述目标，即对目标进行建模表达的过程；二是分类器的设计问题。目标的建模表达方法包括基于全局特征的建模、基于局部特征的建模以及混合建模等方法，具体的特征对象可以是目标的形状、轮廓、梯度以及其他能反映目标本质特征的信息。分类器则体现了判别决策的功能，对于未知的目标，分类器可以通过训练获得判别准则来识别未知的目标，一个好的分类器体现在学习能力以及判别能力这两方面。目标识别属于模式分类领域，可以采用该领域的方法进行识别工作。其基本原理是将待识别对象同参考样本进行匹配与比较辨认的过程，即首先通过检测方法获取被识别对象的各种特征信息，然后与参考样本的特征信息进行匹配对比。这和人脑的思维模式类似，对于一个未知的事物，人们总是通过描述该事物的多种特征并将其与记忆中已存在的事物进行比较和辨认来认识未知的事物。所谓模式广义地说，即存在于时间和空间中可观察的物体以及能够代表这些物体的主要信息，这些信息能够为区分物体提供必要的条件。模式分类就是使机器按照人脑的思维模式对客观世界中的事物进行分类与识别，对计算机来说，模式表征物体的特征信息，在机器语言中，这种模式实际上就是一组关于特征信息的数字表达，机器通过训练样本学习并“记住”某种目标的特征后，当将未知模式输入到机器中后，机器会根据数据库已有目标的模式与该模式进行匹配对比，最后进行判别与分类。所示为基于图像的目标识别示意图，一般包括图像预处理、特征提取、训练学习及分类识别等几步骤。预处理：例如滤除图像噪声、图像灰度变换、突出目标边缘等。特征提取：提取最能反映目标本质的特征，这些特征应该满足同类目标的特征能够最大化相似，不同类目标特征尽量最大化差异。分类器训练：通过训练样本进行学习并设置分类器的具体参数。分类器决策：利用学习过程得到的判别准则对未知对象进行识别。空间目标识别系统的主要任务是从外太空中探索并发现未知的目标，获取关于目标的各种特征参数建立空间目标数据库以便用于分类识别，从而进一步获取空间目标对应的信息参数，如目标外观、运行轨道、工作状态以及用途等重要的目标信息，本文研究的空间目标主要是指卫星。 “目标识别”在不同任务的要求和前提下可以有多个含义，主要包含“目标分辨”和“目标分类”两层含义。长期以来，人们致力于一般图像目标识别的研究工作并从中取得了一定的应用成果，而在空间目标识别方面却极少涉及，其主要原因在于缺乏真实可靠的空间目标图像、极少的文献资料介绍，以及国外空间目标识别技术的完全保密，因此这些因素给空间目标识别技术带来了极大困难。所谓目标分类识别，是将空间目标按照某种属性进行分类划分。根据获取的关于空间目标的信息和参数，如按照目标的类别、工作用途、生命周期以及运行方式等要求进行分类和区分。对于卫星目标识别来说，不仅要获得关于卫星特征的信息，并且要根据这些特征信息进一步识别到卫星的国际编号，它是地面工作人员进行归类划分的基础，其目的是可以将卫星按照国别分类以获得它的各种参数信息并作出有效的决断。由此可以看出空间目标识别是一个使用目标特征并结合多种判别准则的识别工作，其识别的关键在于准确地获取关于反应目标特性的特征。由于空间目标是一种特定结构的目标，其外形形状构造复杂，并且也是一种类内的分类，往往不同的目标会表现出相同的特征信息（如：颜色、外形、尺寸构造），因此对于空间目标识别往往最容易出现识别模糊的问题，对于这种情形，必须借助于具备更精细、更准确、更能表示个体以及区分其他个体的目标特征，事实上在很多情况下还必须借助于其他外在的信息手段作为辅助来完善空间目标识别系统的有效性。为了提高空间目标监视系统的有效性，随着天基光学系统的不断发展同时对空间目标具备逐步成像的能力，并且这种设备不受气候、地理位置等影响，因此天基光学系统正逐渐被世界各国采纳，其具备的成像能力为人们了解空间目标的细部面貌，更加准确地掌握目标的特性提供了技术条件，同时也为从光学图像和计算机视觉角度了解空间目标、识别空间目标提供了条件。因此对于光学图像的空间目标识别技术，已经成为空间目标研究的热点问题，本文正是研究基于图像的空间目标识别的方法。高斯过程高斯过程为核机器的学习提供