基于多傳感器信息融合的目標(biāo)識(shí)別技術(shù)

王東明 張明堂

摘 要：目標(biāo)識(shí)別在傳統(tǒng)上，都是靠一種性質(zhì)的傳感器采集目標(biāo)數(shù)據(jù)，缺點(diǎn)是只能在簡(jiǎn)單的環(huán)境場(chǎng)合應(yīng)用，識(shí)別正確率和識(shí)別效率低。本文通過(guò)研究將相同的或者不同性質(zhì)的多傳感器進(jìn)行有效結(jié)合，并且同時(shí)獲取目標(biāo)的原始信息，通過(guò)各種特征提取的方法獲得目標(biāo)的多方位、多性質(zhì)的特征值數(shù)據(jù)，并對(duì)特征值數(shù)據(jù)通過(guò)特征融合算法進(jìn)行特征融合，目標(biāo)識(shí)別正確率得到提升和識(shí)別的時(shí)間得到減少。

關(guān)鍵詞：多傳感器 特征提取 特征融合 目標(biāo)識(shí)別

中圖分類(lèi)號(hào)：TP21 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2018）04（c）-0001-02

多傳感器信息融合的目標(biāo)識(shí)別技術(shù)在各個(gè)方面的應(yīng)用很多，可以應(yīng)用在計(jì)算機(jī)視覺(jué)、軍事、遙感等很多方面，所以對(duì)于理論和應(yīng)用的研究，具有重要的意義[1]。利用多傳感器的信息融合目標(biāo)識(shí)別技術(shù)能夠在很復(fù)雜的背景環(huán)境，對(duì)目標(biāo)進(jìn)行識(shí)別，通過(guò)融合，減少了信息量，對(duì)目標(biāo)的識(shí)別準(zhǔn)確率和時(shí)間上都得到了極大的提高。目前，在各個(gè)領(lǐng)域，信息融合技術(shù)已經(jīng)普遍使用，然而目標(biāo)特征融合的目標(biāo)識(shí)別技術(shù)，在國(guó)內(nèi)目前研究比較少，并且需要解決許多問(wèn)題，迫切需要開(kāi)展廣泛深入的基礎(chǔ)理論和技術(shù)研究[2]。

1 多傳感器信息融合目標(biāo)識(shí)別整體系統(tǒng)設(shè)計(jì)

多傳感器信息融合的含義是將可見(jiàn)光、紅外、激光雷達(dá)等性質(zhì)相異的多個(gè)傳感器組獲取的目標(biāo)原始信息進(jìn)行融合。首先解決的問(wèn)題就是針對(duì)不同傳感器使用不同的特征提取算法來(lái)提取目標(biāo)的特征數(shù)據(jù)，然后在使用融合算法，將目標(biāo)特征信息融合成復(fù)合特征信息量，使用分類(lèi)識(shí)別算法，識(shí)別目標(biāo)的過(guò)程。特征融合目標(biāo)識(shí)別系統(tǒng)模塊能夠把原始目標(biāo)信息中的相關(guān)特征數(shù)據(jù)提取出來(lái)、使特征數(shù)據(jù)真正有效、并且保證信息完整，從而融合成為待識(shí)別的融合特征信息，從而實(shí)現(xiàn)提高識(shí)別的準(zhǔn)確率和效率[2]。

2 多傳感器信息融合目標(biāo)識(shí)別各功能模塊設(shè)計(jì)

2.1 特征數(shù)據(jù)庫(kù)

特征數(shù)據(jù)庫(kù)是否完備決定了目標(biāo)識(shí)別的正確率和效率[3]。目標(biāo)識(shí)別算法都需要和已知模式比較，也就是學(xué)習(xí)訓(xùn)練算法的一些參數(shù)。已知模式也就是把各種目標(biāo)的特征數(shù)據(jù)存儲(chǔ)在特征數(shù)據(jù)庫(kù)，那么就構(gòu)成了已知模式集，可以訓(xùn)練目標(biāo)識(shí)別分類(lèi)器。

2.2 特征提取

對(duì)于紅外、可見(jiàn)光、雷達(dá)等這些探測(cè)物理性質(zhì)不同的多傳感器，他們采集的目標(biāo)信息原始數(shù)據(jù)也將是差異很大，數(shù)據(jù)信息龐大。怎樣從眾多的特征提取算法中，選擇適合的特征提取算法，把目標(biāo)獨(dú)自具有的、可以和其他目標(biāo)有效區(qū)分開(kāi)的特征信息提取出來(lái)，是需要大量研究和實(shí)驗(yàn)才能解決的問(wèn)題。

2.3 特征融合

特征融合算法簡(jiǎn)單的理解就是把特征信息的特征數(shù)據(jù)合在一起。特征融合所要研究的內(nèi)容就是采用何種融合方法，能達(dá)到融合后的數(shù)據(jù)少而精，保證后繼識(shí)別分類(lèi)的快速、準(zhǔn)確。融合的算法有以下兩種常用的方法：

式（2）中，i為虛數(shù)單位。α、β這兩個(gè)數(shù)據(jù)維數(shù)不同時(shí)，需要補(bǔ)0將低維升為與高維一樣，所以并行融合需要維數(shù)一致。

也可以采用遺傳算法、退火算法等這些優(yōu)化算法進(jìn)行特征融合，但是有優(yōu)點(diǎn)也有缺點(diǎn)，優(yōu)點(diǎn)是獲得的融合特征數(shù)據(jù)更精減，缺點(diǎn)是融合需要大量時(shí)間，并且需要設(shè)計(jì)適應(yīng)度函數(shù)。

2.4 目標(biāo)識(shí)別

特征融合目標(biāo)識(shí)別的算法當(dāng)今主要是還是采用模式識(shí)別的很多算法，經(jīng)驗(yàn)級(jí)的方法，主要有基于統(tǒng)計(jì)的方法、基（上接1頁(yè)）

于模糊的識(shí)別方法、基于人工智能的方法等方法[2]。

2.4.1 基于統(tǒng)計(jì)的方法

這種方法也稱(chēng)呼為統(tǒng)計(jì)決策法。主要采用如線性和非線性分類(lèi)、聚類(lèi)分析、Bayes決策等分類(lèi)方法[2]。把不同的識(shí)別方法統(tǒng)計(jì)算所有的特征數(shù)據(jù)的分類(lèi)函數(shù)數(shù)值，然后將目標(biāo)特征數(shù)據(jù)和分類(lèi)函數(shù)數(shù)據(jù)進(jìn)行對(duì)比，從而達(dá)到分類(lèi)的目的。

2.4.2 模糊模式識(shí)別

基于模糊的分類(lèi)識(shí)別方法具有很大的應(yīng)用前景，目前的應(yīng)用也很廣。模糊識(shí)別方法最主要的也是最難解決的問(wèn)題是根據(jù)具體問(wèn)題設(shè)計(jì)隸屬度函數(shù)?；谀：慕y(tǒng)計(jì)方法、基于模糊的分布方法、基于模糊的二元對(duì)比排序方法等是目前的主流方法。模式識(shí)別雖然已經(jīng)應(yīng)用很廣泛并且效果比較好，但是都離不開(kāi)人的交互，所以研究隸屬度函數(shù)的建立和設(shè)計(jì)仍然是難點(diǎn)和關(guān)鍵點(diǎn)。

2.4.3 人工神經(jīng)網(wǎng)絡(luò)識(shí)別

人工神經(jīng)網(wǎng)絡(luò)采取軟硬件的手段，通過(guò)模擬動(dòng)物的神經(jīng)系統(tǒng)一些功能，采用大量的處理單位作為類(lèi)似動(dòng)物神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)，對(duì)節(jié)點(diǎn)的參數(shù)權(quán)值進(jìn)行處理來(lái)實(shí)現(xiàn)單元之間的互聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)。自動(dòng)適應(yīng)和自動(dòng)組織是人工神經(jīng)網(wǎng)絡(luò)的好處和特別之處，并且可以通過(guò)參數(shù)的學(xué)習(xí)訓(xùn)練，達(dá)到智能和對(duì)錯(cuò)誤校正，所以能夠?qū)?fù)雜的模式識(shí)別問(wèn)題，進(jìn)行處理[2]。

3 結(jié)語(yǔ)

本文對(duì)特征級(jí)融合目標(biāo)識(shí)別進(jìn)行了分析設(shè)計(jì)，設(shè)計(jì)建立了特征級(jí)融合目標(biāo)識(shí)別的功能模塊，而且重點(diǎn)闡述說(shuō)明了多傳感器特征融合目標(biāo)識(shí)別的一些需要解決和分析的主要功能模塊問(wèn)題，并且設(shè)計(jì)了目標(biāo)特征融合識(shí)別的各部分的方法。

參考文獻(xiàn)

[1] 劉朝強(qiáng).基于多傳感器特征信息融合的目標(biāo)識(shí)別技術(shù)研究[D].沈陽(yáng)理工大學(xué)，2015.

[2] 王東明.基于特征級(jí)融合的目標(biāo)識(shí)別方法研究[D].沈陽(yáng)理工大學(xué)，2013.

[3] 孫晉博，余隋懷，陳登凱.基于證據(jù)理論融合多特征的物體識(shí)別算法[J].計(jì)算機(jī)工程與應(yīng)用，2015（9）：147-151.

[4] 金萌萌.多源圖像的特征融合方法研究[D].沈陽(yáng)理工大學(xué)，2013.

[5] 顧琳.多源遙感圖像的多尺度特征提取和融合方法研究[D].北方工業(yè)大學(xué)，2015.

[6] 肖保良.基于Gist特征與PHOG特征融合的多類(lèi)場(chǎng)景分類(lèi)[J].中北大學(xué)學(xué)報(bào)：自然科學(xué)版，2014（6）：690-694.

[7] 高麗燕.基于DSP+FPGA的圖像識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].南京理工大學(xué)，2006.