(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 202111623547.3 (22)申请日 2021.12.28 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 刘准钆　回学猛　鹿瑶　李琳　 (74)专利代理 机构 西安维赛恩专利代理事务所 (普通合伙) 61257 专利代理师 李明全 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于加权K近邻规则的开放集目标识别 方法及装置 (57)摘要 本发明公开了一种基于加权K近邻规则的开 放集目标识别方法及装置， 获取待识别特征数据 集， 并将待识别特征数据集与训练数据集置于同 一度量空间， 得到组合数据集； 对于待识别特征 数据集中的每个待识别特征数据， 从组合数据集 中筛选对应的K个近邻数据， 并为每个近邻数据 赋予权重值； 根据K个近邻数据的权重值计算待 识别特征数据属于未知类的概率值； 根据所有的 待识别特征数据的概率值构建经验累积分布模 型并迭代优化； 通过大津 法计算迭代优化后的经 验累积分布模 型的分割阈值； 根据分割阈值筛选 出待识别特征数据集中的未知类特征数据； 本发 明可以降低未知类数据对已知类数据造成的干 扰， 提高准确率和召回率。 权利要求书2页 说明书11页 附图4页 CN 114445655 A 2022.05.06 CN 114445655 A 1.一种基于加权K近邻规则的开 放集目标识别方法， 其特 征在于， 包括以下步骤： 获取待识别特征数据集， 并将所述待识别特征数据集与训练数据集置于同一度量空 间， 得到组合数据集； 对于所述待识别特征数据集中的每个待识别特征数据， 从所述组合数据集中筛选对应 的K个近邻数据， 并为每 个所述近邻数据赋予权 重值； 其中， K为自然数； 根据K个近邻数据的权 重值计算所述待识别特 征数据属于未知类的概 率值； 根据所有的所述待识别特 征数据的概 率值构建经验累积分布模型并迭代优化； 通过大津法计算迭代优化后的经验累积分布模型的分割阈值； 根据所述分割阈值筛 选出所述待识别特 征数据集中的未知类特 征数据。 2.如权利要求1所述的一种基于加权K近邻规则的开放集目标识别方法， 其特征在于， 为每个所述近邻数据赋予权 重值包括： 当所述待识别特征数据与 所述近邻数据为相互近邻关系时， 为所述近邻数据的权重设 置为1； 其中， 所述相互近邻关系为： 所述待识别特征数据为所述近邻数据的K个近邻之一、 且所述近邻数据为所述待识别 特征数据的K个近邻之一。 3.如权利要求2所述的一种基于加权K近邻规则的开放集目标识别方法， 其特征在于， 当所述待识别特征数据与 所述近邻数据为非相互近邻关系时， 通过 计算所述近邻数据的权 重值； 其中， ωi为所述待识别特征数据的第i个近邻数据的权重值， i∈K， ρ(x)为所述待识别 特征数据x与其K个近邻数据包围范围的密度， ρ(x ′i)为所述近邻数据x ′i与其K个近邻数据 包围范围的密度。 4.如权利要求3所述的一种基于加权K近邻规则的开放集目标识别方法， 其特征在于， 所述ρ(x)通过 计算得出； 其中， Sw(x)为所述x与其K个近邻数据 之间的类内离 散度， x′i表示x的第i个近邻数据。 5.如权利要求2 ‑4任一所述的一种基于加权K近邻规则的开放集目标识别方法， 其特征 在于， 根据K个近邻数据的权 重值计算所述待识别特 征数据属于未知类的概 率值包括： 通过 计算所述待识别特征数据属于未知类的概率； 其中， 为所述待识别特征数据 x属于未知类 的概率值， j表示x的K个近邻数据中来自于所述待识 别特征数据集的近邻数据的个数， t∈j， j∈K。 6.如权利要求5所述的一种基于加权K近邻规则的开放集目标识别方法， 其特征在于， 根据所有的所述待识别特 征数据的概 率值构建经验累积分布模型并迭代优化包括： 将所述概率值小于 的所述待识别特 征数据标记为已知类； 重新计算所述待识别特 征数据集中每 个所述待识别特 征数据的概 率值；权　利　要　求　书 1/2 页 2 CN 114445655 A 2当重新计算后的每个所述待识别特征数据的概率值未发生变化时， 停止所述迭代优 化。 7.如权利要求6所述的一种基于加权K近邻规则的开放集目标识别方法， 其特征在于， 根据所述分割阈值筛 选出所述待识别特 征数据集中的未知类特 征数据包括： 将迭代优化后的所述经验累积分布模型中概率等级小于所述分割阈值的所述概率值 对应的所述待识别特 征数据划分为未知类特 征数据； 将迭代优化后的所述经验累积分布模型中概率等级大于所述分割阈值的所述概率值 对应的所述待识别特 征数据划分为已知类特 征数据。 8.如权利要求7所述的一种基于加权K近邻规则的开放集目标识别方法， 其特征在于， 根据所述分割阈值筛 选出所述待识别特 征数据集中的未知类特 征数据之后还 包括： 采用通过训练数据集训练好的分类 器对所述已知类特 征数据进行分类。 9.一种基于加权K近邻规则的开 放集目标识别装置， 其特 征在于， 包括： 获取模块， 用于获取待识别特征数据集， 并将所述待识别特征数据集与训练数据集置 于同一度量空间， 得到组合数据集； 赋予模块， 用于对于所述待识别特征数据集中的每个待识别特征数据， 从所述组合数 据集中筛 选对应的K个近邻数据， 并为每 个所述近邻数据赋予权 重值； 其中， K为自然数； 第一计算模块， 用于根据K个近邻数据的权重值计算所述待识别特征数据属于未知类 的概率值； 构建模块， 用于根据 所有的所述待识别特征数据的概率值构建经验累积分布模型并迭 代优化； 第二计算模块， 用于通过 大津法计算迭代优化后的经验累积分布模型的分割阈值； 筛选模块， 用于根据所述分割阈值筛选出所述待识别特征数据集中的未知类特征数 据。 10.一种基于加权K近邻规则的开放集目标识别装置， 包括存储器、 处理器以及存储在 所述存储器中并可在所述处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述 计算机程序时实现如权利要求1 ‑8任一项所述的一种基于加权K近邻规则的开放集目标识 别方法。权　利　要　求　书 2/2 页 3 CN 114445655 A 3