《智能信息融合与目标识别方法.pdf》由会员分享，可在线阅读，更多相关《智能信息融合与目标识别方法.pdf（207页珍藏版）》请在三一文库上搜索。
1、 智能信息融合与 目标识别方法 胡玉兰 郝 博 王东明 郝伟光 秦丽娟 胡南南 李 芳 著 机 械 工 业 出 版 社 本书研究了信息融合目标识别技术， 首先分析了特征级融合目标识别 的基本理论， 然后研究了多源图像的预处理、 结合阈值分割的分水岭算 法、 结合聚类分割的分水岭算法、 目标特征提取方法。 对于特征融合方 法， 研究了基于协方差矩阵多特征信息融合、 基于主成分分析的特征融合 方法、 基于改进免疫遗传的特征融合方法、 基于独立分量的特征融合、 对 典型相关分析特征融合方法的改进。 最后介绍了基于优化改进的反向传播 神经网络目标识别、 模糊支持向量机理论与编程实现、 基于模糊支持向量
2、 机的识别系统实现。 本书适合从事多源信息融合理论、 目标识别技术研究和工程应用的技 术人员阅读， 也可作为高等院校相关专业高年级本科生和研究生的参考 教材。 图书在版编目 （CIP） 数据 智能信息融合与目标识别方法/ 胡玉兰等著 . 北京： 机械工业出版社， 2018. 4 ISBN 978-7-111-59317-1 . 智 . 胡 . 信息融合 - 图象识别 . G202TP391. 41 中国版本图书馆 CIP 数据核字 （2018） 第 041505 号 机械工业出版社（北京市百万庄大街 22 号 邮政编码 100037） 策划编辑： 任 鑫 责任编辑： 闾洪庆 责任校对： 肖 琳
3、 封面设计： 马精明 责任印制：张 博 三河市国英印务有限公司印刷 2018 年 5 月第 1 版第 1 次印刷 169mm 239mm13 印张246 千字 0001 2600 册 标准书号： ISBN 978-7-111-59317-1 定价： 59.00 元 凡购本书， 如有缺页、 倒页、 脱页， 由本社发行部调换 电话服务网络服务 服务咨询热线： 010-88361066机 工 官 网： www. cmpbook. com 读者购书热线： 010-68326294机 工 官 博： weibo. com/ cmp1952 010-88379203金书网： www. golden-book
4、. com 封面无防伪标均为盗版教育服务网： www. cmpedu. com 前 言 随着科学技术的发展， 信息化已经在各个领域中得到了重视和发展， 特别 是在军事方面的应用， 如何获得有效信息是现代化战争的一个关键点。 各个国 家都投入了很大的人力和物力， 用以实现对目标的全天候、 全方位、 多角度的 有效识别与追踪。 单一传感器的工作环境正变得日益复杂， 如遇到移动、 遮挡、 缩放和旋转的目标时， 需要通过利用多传感器来同时获取目标多方位特征， 对 其进行有效的融合分析， 从而能够实现对目标的识别。 目前， 多传感器信息融 合大多被应用在模式识别、 目标跟踪等方面， 同时在交通网络安全工
5、业 军事和生物医学等领域也有着非常好的应用前景。 在传统的目标识别系统中， 由于技术局限、 环境复杂度不高和工作要求低， 一般都以单一传感器来获取数据， 所以获得目标或场景的信息一般都是片面的， 并且受一定的光线和环境影响导致了精确度低。 为此人们提出了基于多传感器 多特征的目标识别方法。 本书研究了信息融合目标识别技术， 首先分析了特征级融合目标识别的基 本理论， 然后研究了多源图像的预处理、 结合阈值分割的分水岭算法、 结合聚 类分割的分水岭算法、 目标特征提取方法。 对于特征融合方法。 研究了基于协 方差矩阵多特征信息融合、 基于主成分分析的特征融合方法、 基于改进免疫遗 传的特征融合方
6、法、 基于独立分量的特征融合、 对典型相关分析特征融合方法 的改进。 最后介绍了基于优化改进的反向传播神经网络目标识别、 模糊支持向 量机理论与编程实现、 基于模糊支持向量机的识别系统实现。 本书由胡玉兰、 郝博、 王东明、 郝伟光、 秦丽娟、 胡南南、 李芳著。 本书 的研究工作得到了国家自然科学基金面上项目 （项目号： 61373089） 的资助， 作者在此表示诚挚的感谢。 同时感谢机械工业出版社参加本书出版工作的同志 们的大力支持与帮助。 信息融合目标识别技术目前仍处于不断发展的阶段， 许多理论和算法还不 够完善， 加之作者水平所限， 书中难免有疏漏之处， 恳请广大读者批评指正。 作者
7、目 录 前言 第 1 章 绪论1 1. 1 概述1 1. 2 研究现状3 第2 章 特征级融合目标识别的基本理论5 2. 1 信息融合目标识别结构5 2. 2 特征级融合目标识别系统基本结构6 2. 3 特征级融合目标识别的关键问题分析8 2. 3. 1 特征数据库8 2. 3. 2 特征提取8 2. 3. 3 特征融合8 2. 3. 4 目标识别10 2. 4 本章小结11 第3 章 多源图像的预处理13 3. 1 多源图像的去噪13 3. 1. 1 噪声分析13 3. 1. 2 常用的图像去噪方法14 3. 1. 3 几种较新的去噪方法15 3. 2 多源图像的平滑20 3. 2. 1 均
8、值平滑法20 3. 2. 2 邻域平均法20 3. 2. 3 加权平均法21 3. 2. 4 选择式掩模平滑法21 3. 3 多源图像的滤波23 3. 3. 1 低通滤波23 3. 3. 2 高通滤波24 3. 3. 3 中值滤波26 3. 3. 4 维纳滤波27 3. 4 本章小结29 第4 章 结合阈值分割的分水岭算法30 4. 1 引言30 4. 2 图像阈值分割概述30 4. 3 常用的阈值分割方法31 4. 3. 1 全局阈值法31 4. 3. 2 局部阈值法36 4. 3. 3 动态阈值法36 4. 4 改进的最大类间方差法36 4. 5 本章小结43 第5 章 结合聚类分割的分水
9、岭算法44 5. 1 图像聚类分割概述44 5. 2 常用的图像聚类分割算法46 5. 2. 1 划分聚类算法46 5. 2. 2 层次聚类算法47 5. 2. 3 基于密度的聚类算法47 5. 2. 4 基于模型的聚类算法48 5. 2. 5 基于网格的聚类算法48 5. 3 改进的 FCM 聚类分割算法49 5. 4 本章小结53 第6 章 目标特征提取方法54 6. 1 传统的特征提取方法57 6. 1. 1 经典的特征提取方法57 6. 1. 2 多项式不变矩59 6. 1. 3 共生矩阵67 6. 2 红外和可见光图像特征提取和融合70 6. 2. 1 多传感器特征提取70 6. 2
10、. 2 目标区域分割和检测71 6. 2. 3 特征提取与融合73 6. 3 本章小结75 第7 章 基于协方差矩阵多特征信息融合77 7. 1 图像特征提取77 7. 1. 1 多传感器特征提取77 目 录 7. 1. 2 灰度特征78 7. 1. 3 空间信息特征78 7. 1. 4 梯度信息特征79 7. 2 协方差矩阵的构造80 7. 2. 1 协方差矩阵与协方差80 7. 2. 2 协方差矩阵距离的度量81 7. 2. 3 特征协方差82 7. 3 多特征信息融合83 7. 4 融合实验结果与分析83 7. 5 本章小结85 第8 章 基于主成分分析的特征融合方法87 8. 1 特征
11、提取87 8. 1. 1 灰度共生矩阵87 8. 1. 2 Hu 不变矩88 8. 2 几何特征90 8. 3 主成分分析的定义90 8. 3. 1 主成分分析的基本原理90 8. 3. 2 数学模型91 8. 3. 3 主成分的推导93 8. 4 基于主成分分析的图像特征级融合实现96 8. 4. 1 目标特征的提取96 8. 4. 2 特征融合96 8. 4. 3 实验结果与分析96 8. 5 本章小结99 第9 章 基于改进免疫遗传的特征融合方法100 9. 1 遗传算法基础理论100 9. 1. 1 遗传算法概述100 9. 1. 2 遗传算法流程101 9. 2 一般的免疫算法基础理
12、论103 9. 2. 1 免疫算法概述104 9. 2. 2 免疫算法流程105 9. 2. 3 一般的免疫遗传算法105 9. 3 基于改进免疫遗传的图像特征级融合实现107 9. 3. 1 改进算法的关键技术107 9. 3. 2 基于改进免疫遗传的特征融合原理108 智能信息融合与目标识别方法 9. 3. 3 特征级融合实现108 9. 3. 4 实验结果与分析111 9. 4 本章小结112 第 10 章 基于独立分量的特征融合113 10. 1 ICA 的定义113 10. 2 随机变量的独立性概念114 10. 3 ICA 独立性的度量115 10. 3. 1 非高斯性115 10
13、. 3. 2 互信息117 10. 4 快速固定点 ICA 算法117 10. 5 基于 ICA 的图像特征级融合实现119 10. 5. 1 ICA 的预处理119 10. 5. 2 特征融合120 10. 6 实验结果与分析121 10. 7 本章小结125 第 11 章 对典型相关分析特征融合方法的改进126 11. 1 CCA 的基本思想126 11. 2 CCA 的基本原理127 11. 2. 1 CCA 的数学描述127 11. 2. 2 典型相关的定义及导出128 11. 2. 3 CCA 的基本性质130 11. 3 典型相关变量和相关系数的求解步骤132 11. 4 基于 C
14、CA 改进算法的图像特征级融合实现133 11. 4. 1 改进算法的关键技术133 11. 4. 2 特征融合过程133 11. 5 实验结果与分析134 11. 6 本章小结137 第 12 章 基于优化改进的反向传播神经网络目标识别138 12. 1 BP 神经网络139 12. 1. 1 BP 网络模型139 12. 1. 2 BP 神经网络结构139 12. 1. 3 BP 神经网络训练学习142 12. 1. 4 BP 神经网络主要特点144 12. 2 改进的 BP 神经网络145 目 录 12. 3 PSO 算法的基本原理和理论基础145 12. 3. 1 PSO 算法的基本原
15、理145 12. 3. 2 PSO 算法的基本流程147 12. 4 PSO 优化改进的 BP 神经网络147 12. 4. 1 PSO 优化问题分析147 12. 4. 2 PSO 优化算法流程149 12. 5 仿真结果分析和识别系统实现149 12. 5. 1 仿真结果分析149 12. 5. 2 识别系统实现152 12. 6 本章小结155 第 13 章 模糊支持向量机理论与编程实现157 13. 1 模糊数学理论157 13. 1. 1 模糊数学的发展历程157 13. 1. 2 模糊集158 13. 1. 3 几种常见的模糊隶属度函数158 13. 2 支持向量机理论160 13
16、. 2. 1 经验风险160 13. 2. 2 结构风险最小化162 13. 2. 3 最优超平面164 13. 2. 4 VC 维数165 13. 2. 5 核函数166 13. 3 模糊支持向量机理论167 13. 3. 1 第一种模糊支持向量机167 13. 3. 2 第二种模糊支持向量机168 13. 4 模糊隶属度核函数的选择170 13. 4. 1 基于类中心距离的隶属度函数170 13. 4. 2 基于 S 形函数的隶属度函数171 13. 4. 3 基于 形函数的隶属度函数171 13. 5 模糊支持向量机算法的编程实现172 13. 6 本章小结174 第 14 章 基于模糊
17、支持向量机的识别系统实现175 14. 1 模糊支持向量机识别系统的架构175 14. 2 图像预处理部分的实现176 14. 2. 1 文件的打开与显示177 14. 2. 2 预处理模块图像增强的执行178 智能信息融合与目标识别方法 14. 2. 3 预处理模块图像分割的执行178 14. 3 特征提取部分的实现179 14. 3. 1 文件的打开与显示179 14. 3. 2 传感器类型的选择179 14. 3. 3 计算相应的特征值180 14. 3. 4 特征值的存储181 14. 4 目标特征数据库系统的技术实现181 14. 4. 1 特征数据库管理系统的构建181 14. 4
18、. 2 目标动态特征库管理技术182 14. 4. 3 目标特征数据库建立184 14. 4. 4 数据库管理系统编程实现185 14. 5 模型训练部分188 14. 6 目标识别部分189 14. 6. 1 目标识别模块工作流程与结果显示189 14. 6. 2 目标识别结果分析与对比189 14. 7 本章小结192 参考文献193 目 录 1. 1概述 随着科学技术的发展， 信息化已经在各个领域里得到了重视和发展， 特别 是在军事方面的应用， 如何获得有效信息是现代化战争的一个关键点， 它决定 了战争的胜负， 从而使得各个国家都对实时获取信息投入了很大的人力和物力， 以达到对目标实时、
19、 全天候、 全方位、 多角度有效而准确的识别与追踪。 而目 标识别的主要问题是如何获得我们想要识别的目标的特征， 使用单一传感器一 般在特定环境下可对目标进行识别， 但是随着现在的工作环境变得日益复杂， 在遇到可移动、 遮挡、 缩放和可旋转姿态变化的目标时， 它已经不能满足需求 了。 此时我们就需要通过利用多传感器来同时获取目标多方位特征， 对其进行 有效的融合分析， 才能对目标进行识别。 目前， 多传感器信息融合大多被应用 在模式识别、 目标跟踪、 态势评估等方面， 同时在交通网络安全工业军 事和生物医学等领域也有着非常好的应用前景。 在传统的目标识别系统中， 由于技术局限、 环境复杂度不高
20、和工作要求低， 一般都以单一传感器来获取数据， 所以获得目标或场景的信息一般都是片面的， 并且在受一定的光线和环境影响导致了精确度低， 此时人们为此提出了基于多 传感器多特征的目标识别方法。 在20 世纪70 年代后期人们提出了基于多传感器 的信息融合概念， 通过将传感器、 图像信号处理、 计算机仿真和人工智能有效 地结合起来形成现代处理技术。 它是通过对人类和其他受感知的器官 （四肢、 眼、 鼻、 耳） 所感知的信息 （触觉、 图像、 味觉、 声音） 来进行有效的模拟， 再利用先验知识对其进行综合分析， 从而达到了对周围陌生环境做出有效可靠 的分析判断的目的。 当然这里的处理运行过程相当的复
21、杂， 同时也是根据自适 应去有效完成的， 通过将各种有效信息进行转化， 来达到对有价值的具体环境 的解释， 这又涉及许多不同的智能结合应用， 以及通过利用先验知识库来对信 息含义进行有效解释。 通过将不同的或者相同的多个传感器进行有效结合的方 法称为信息融合处理方法， 同时人们也称它为多传感器融合， 而信息融合则是 我们应用中最广泛的称呼。 1 在目标识别系统中， 可见光传感器和红外传感器是常用的两种传感器。 主 要负责在白天与黑夜对目标图像数据进行有效的采集， 充分结合了它们在图像 信息的互补性， 从而使得它们能够协同进行并得到更高的识别精确度、 环境抗 干扰性和适应能力。 所以相对于单一的
22、传感器目标识别系统而言， 多传感器协 同的目标识别系统具有以下优点： 1） 分辨率高， 可信度高， 生存能力强， 有利于识别目标。 2） 范围广， 扩展了目标识别有效空间、 时间的覆盖范围， 对隐身目标能有 效地进行识别。 3） 可见光和红外传感器能够采集图像的不同特征， 从而降低了目标识别的 模糊性， 对目标能够进行更有效的识别。 4） 可实时、 全天候、 全方位、 多角度地对目标进行有效识别， 改善了系统 的整体性能。 本书研究的目的是针对单传感器在目标识别系统中的不足， 研究、 设计以 及实现采用多传感器协同处理技术的目标识别系统， 充分利用红外和可见光采 集目标数据信息进行互补， 从而
23、获得比任何单传感器对目标更为全面和精确的 表述， 为多传感器协同的目标识别系统打下了良好的基础。 因此， 基于多传感 器协同的目标识别系统有很高的研究价值。 随着科学技术的发展， 虽然基于特征信息融合的目标识别技术被广泛地应 用在国防医学、 安防信息安全遥感探测等领域， 但是在模式识别领域中 对其研究的难点和一些薄弱环节仍需要我们去完善和解决， 所以选择多特征信 息融合来作为我们的研究方向， 主要有以下几点原因： 1） 目前有文献对图像的特征信息融合方法进行了描述， 并说明了其在目标 识别中的表现明显好于像素级图像融合和决策级图像融合。 2） 通过图像的特征信息融合不仅能够帮助我们从图像中提取
24、更多有效的特征信 息， 来对图像进行综合分析和融合处理， 而且还可获得图像中附带可利用的其他特 征， 在一定程度上帮助系统降低了训练学习的复杂度， 从而增强了算法的鲁棒性。 3） 特征信息图像融合通过外部传感器获得的图像数据既能对目标的多特征 信息进行融合和保留， 也能帮助我们在一定程度上消除原始图像的一些冗余信 息。 这样就能达到信息压缩的目的， 有利于对信息进行有效的实时处理。 4） 目标识别主要就是依靠目标特征数据库， 利用多传感器图像特征信息融 合就是为了从不同角度、 不同时间、 不同空间去对目标信息进行有效采集， 通 过有效的特征提取， 以及特征信息融合， 最终的结果就是为了更好地去
25、识别目 标， 提高目标识别系统的可靠性。 目前对特征融合的研究最为滞后和困难， 由 于特征的千差万别， 特征提取对算法的要求也是千差万别， 所以缺乏一套成熟 理论框架和结构。 目前所使用的融合思路仍处于沿用模糊方法聚类方法人 工智能等方法阶段。 这里我们面对的问题是怎样才能有效地突破传统的技术并 2 智能信息融合与目标识别方法 将其应用于特征融合， 来帮助我们获得更好的实质性效果。 由于这一领域具有 非常大的挑战性和应用前景， 专家学者都在努力地深入探索。 1. 2研究现状 在信息融合目标识别方面， 国外起步相对国内要早。 早在20 世纪70 年代末 期， 美国科研机构利用多个悬浮水下声呐，
26、再通过使用当时先进的计算机处理 技术对信号进行有效的融合处理后发现， 其根据处理后的数据能够对敌方潜艇 的位置进行有效的检测。 事实证明这一发现可以说是现代战争一次变革的开始， 从而使得信息融合技术进入了军事研究部门的视野。 早在 1973 年， 在美国国防部的全额资助下， 美国科研机构利用基于多传感 器对信息融合技术展开了深入的研究。 至此， 信息融合技术这一新的名词诞生 了， 并且在学术界很快得到了广泛的重视并发展起来。 在著名的军事 C3I 系统 中， 它不仅得到了应用 同时通过采用多种传感器来有效地收集信息， 而且 在工业控制、 智能机器人、 海洋纹理监视、 空中交通管制和综合导航等领
27、域中， 基于多传感器开发也被赋予很大的应用前景。 到了20 世纪80 年代， 随着科学技 术的快速发展， 美国海陆空部队也对军事战略监视系统展开了研发， 通过利用 信息融合技术来实现对目标进行有效的跟踪、 识别、 态势评估和威胁估计， 并 得到了很好的效果。 同时基于此项研究成果， 成功地开发出了世界上第一代信 息融合系统， 即集战略系统、 海洋监视系统和小型战术系统为一体的系统。 美 国国防部于 1998 年将信息融合保密作为一项重点研究开发的关键技术之一。 如 今英、 美、 德、 法等发达国家中都有许多顶尖的技术人才在政府的资助下对数 据融合技术进行深入研究， 他们将大量的研究成果公开发表
28、在各种学术期刊和 学术会议上。 进入 21 世纪后， 在实际应用中信息融合识别技术得到了快速的发 展和开发。 比如在2000 年， 加拿大 Safe Software 公司成功地将自己的产品空间数 据操作引擎 （FME） 打入到中国市场， 它是通过基于多年来对数据融合技术研究 成果的积累， 才成功开发出来的空间数据格式转换的实际应用软件。 目前根据用 户反馈的数据统计来看， 其软件得到了非常好的认可度。 美国国防部曾委托雷声 公司， 利用多传感器信息融合技术为美国陆军研制可有效提供远程先进侦察监视 的目标识别系统。 这套传感器主要包含了视频传感器、 红外传输系统、 基于人眼 安全的激光测距仪和
29、 GPS 干涉仪。 充分利用了各个传感器的特点， 既可以成像， 也可通过电视传感器传输实时融合成像， 至少帮助图像提高了 50%的清晰度， 而 且关键的是系统的目标探测有效距离相对原来的系统提高了3 倍。 国内虽然在多传感器数据融合目标识别这方面相对国外起步比较晚， 技术不 够成熟， 但是在军事应用方面也时刻关注国外的发展， 并努力积极进行研究和开 发。 在非军事领域， 我国也投入了充足的科研经费， 也得到了很大的进展。 如基 3 第 1 章 绪 论 于人类生物特征指纹和人脸身份识别系统， 它们在考勤、 安防等方面取得了很好 的开发成果。 主要开发成果如下： 基于指纹和人脸的融合身份识别、 掌
30、纹和视网 膜的融合身份识别、 可见光和红外融合的人脸身份识别等； 基于遥感图像特征融 合目标识别， 通过使用遥感技术来对目标进行有效探测， 并通过利用基于多传感 器和多光谱的遥感图像来进行特征融合， 从而能够获得目标的位置、 性质和身份 属性等信息； 基于特征级融合的交通智能系统， 主要应用在对驾驶员疲劳驾驶警 示系统中； 基于多传感器特征融合的工业系统， 主要应用在工业系统故障诊断中。 特征融合在目标识别中处于一个非常重要的处理环节， 但是目前人们对特 征融合的研究仍然停留在对样本能提取什么样的特征、 如何选择合适的融合规 则。 目前对于融合算法开发， 主要基于应用对象需求来对其展开设计。
31、理论上 还没有一套统一体系与评价体系。 对于在特征融合目标识别的研究中， 广大学 者的注意力主要在处理算法、 融合识别的结构与框架和对特征融合识别系统如 何进行建模与实现等问题上， 这几方面中研究热度最高的是对融合识别中使用 的算法及信息融合系统在各领域中具体的应用。 目前信息融合技术主要可分为特征级融合、 数据级融合和决策级融合这三 部分。 数据信息融合主要是解决实际中遇到的问题， 如传感器中解决时域协调 性的问题， 在全局坐标中解决相关的一致性检验、 坐标的变换、 信息的同化、 数据的关联等问题， 其中最棘手的问题是解决一致性检验和数据的关联。 而特 征级与决策级融合的识别算法与人工智能紧
32、密结合进行应用是比较常见的。 当 前比较主流的算法主要有卡尔曼滤波法、 加权平均法、 N-P 法、 错误率最小化 方法、 贝叶斯法、 证据组合 （D-S） 法、 神经网络法、 模糊理论法、 聚类分析法 等。 目前在基于特征级融合识别方法的应用中， 大家都广泛采用的算法主要是 N-P 法、 神经网络法、 模糊理论法、 聚类分析法及各类混合算法。 目前都是基于同一传感器通过对图像进行不同方向、 时刻和角度的特征采 集来进行有效的融合78， 而由于技术原因， 对基于多传感器图像特征信息融 合的应用还相对不多。 由于信息融合处于目标识别系统的前一级， 属于 “心脏” 地位， 其处理过程是非常复杂且具有
33、一定的不确定性， 以目前我们所知的理论、 技术、 设备来对信息融合方法进行研究还是达不到很高的要求。 虽然如此， 我 们的一些成果还是成功地广泛应用在了生活和军事诸多领域中， 如医疗领域中 的 CRT 图像检测； 生物领域中的指纹识别、 人脸识别等； 军事战场上的目标识 别 （如坦克、 飞机等）。 随着计算机的不断快速发展， 处理速度越来越快， 融合 的计算处理速度效果也越来越快， 但是在面对数量非常庞大的目标和特征信息 时， 由于缺少成熟的特征关联融合理论及其理论工具， 在模式识别方法中， 模 糊方法聚类方法神经网络方法、 人工智能等方法依旧是研究特征级融合目 标识别的主要方法。 目前国内外
34、专家学者都在积极探索如何将这些理论和技术 应用于特征融合中， 从而获得令人满意的效果。 4 智能信息融合与目标识别方法 2. 1信息融合目标识别结构 多传感器信息融合目标识别系统一般处理流程有： 传感器采集信息预处理、 信息配准、 信息融合、 特征提取以及目标识别。 按信息抽象程度， 多传感器信 息融合一般分为三个层次， 即数据级信息融合、 特征级信息融合、 决策级信息 融合。 多传感器信息融合目标识别系统结构如图 2-1 所示。 图 2-1 多传感器信息融合目标识别系统结构图 数据级融合是较低层次的融合， 它是对来自同等量级的传感器原始数据直 接进行综合和分析， 在基于传感器的融合数据上进行
35、特征提取和身份估计。 它 要求传感器必须是同类型或是相同量级， 例如若干个可见光传感器或红外传感 器和可见光传感器的组合。 数据级融合通过对传感器原始数据进行关联和配准， 来确定已融合的数据是否与同一目标或实体有关， 通过传感器融合数据完成与 单传感器相同的识别处理过程。 决策级融合目标识别是指每个传感器对目标的位置、 属性、 身份等做出初 步识别后， 再对这些多个识别结果进行融合判断决策， 给出最终的目标识别结 果。 该级融合对通信带宽要求最低， 但识别的结果相对来说最不准确。 特征级融合目标识别就是利用各个传感器获取的目标信息， 利用特征提取 方法提取目标特征数据， 运用特征融合算法融合特
36、征数据使原始目标特征信息 5 变为融合特征数据， 再利用目标识别分类算法， 进行目标识别分类。 通过特征 级融合， 目标有效信息得到足够保留， 且有效信息损失比决策级低很多， 但是 目标识别能力比具有庞大数据量处理的数据级融合目标识别稍低， 但比决策级 融合目标识别精确很多， 提高了目标识别的实时性、 准确性。 2. 2特征级融合目标识别系统基本结构 特征级融合的目标识别是指从多传感器获取的目标原始信息中提取目标特 征信息， 应用融合算法将其进行融合成复合特征信息量， 利用分类识别方法识 别目标的过程， 如图 2-2 所示。 经过预处理 （增强、 滤波、 消噪、 分割等） 的 多传感器系统采集
37、的目标原始信息， 经特征提取系统获取目标信息的充分表示 量或充分统计量的特征信息， 典型的特征信息有边缘、 形状、 轮廓、 角、 纹理、 相似亮度区域、 相似景深区域等， 在进行融合目标识别处理时特征信息与多传 感器图像融合的应用目的和场合相关， 通过特征融合目标识别算法对目标特征 信息进行分类识别。 通过特征级融合目标识别可以在原始图像中挖掘相关特征 信息、 增强特征信息的有效性、 排除干扰识别的虚假特征、 建立融合特征等， 从而提高识别率和识别效率。 特征级融合的目标识别对传感器配准要求不是十 分严格， 因此传感器可以分布在不同的平台上。 特征级融合的目标识别优点在 于可观的信息压缩， 可
38、实现实时处理。 图 2-2 特征级融合的目标识别系统结构图 特征级融合的目标识别原理如图 2-3 所示。 目标特征获取： 从物理传感器原始数据中利用特征提取算法提取和选择有 6 智能信息融合与目标识别方法 图 2-3 特征级融合的目标识别原理图 效的包含目标信息的目标特征数据 （A1， A2， A3， ； B1， B2， B3， ； C1， C2， C3， ； ）。 特征融合： 对以上目标特征数据通过融合算法， 降低特征空间维数， 保证 维数压缩后特征数据的熵、 能量和相关性不改变， 消除提取的特征空间中特征 表示向量之间的冗余信息， 获得融合特征量 （Ax， Bx， Cx， ； ）。 分类识
39、别： 通过目标识别算法结合目标样本特征数据库中存放的各种潜在 目标特征融合数据 （A1， A2， A3， ； B1， B2， B3， ； C1， C2， C3， ； ） 进行分类识别待识别目标。 传感器获取的目标原始信息一般目标信息都较弱且包含噪声， 必须对其进 行预处理 （如消除噪声、 增强目标、 图像分割）。 然后从经过预处理的原始目标 信息中通过特征提取和选择， 获取目标的融合识别特征信息。 在目标识别之前， 应建立特征数据库 （包含了可能的目标特征信息）， 采用适当的分类识别算法比 较传感器提取的目标特征与特征数据库中的特征信息， 识别出目标类别。 多传 感器系统由于存在异类传感器，
40、从传感器提取的特征信息内容与形式或许存在 7 第 2 章 特征级融合目标识别的基本理论 不同， 通过融合算法将这些信息转换成统一形式， 使目标特征信息之间可以相 互比较和综合。 对于单一目标， 特征提取后即可进行目标的分类识别； 对于多 目标， 需要通过各传感器提供的信息， 判断目标属于系统航迹数据库中的哪一 条航迹， 判定各传感器提取的目标特征属于哪一个目标， 进行信息相关确定。 根据信息相关的结论， 可由位置融合获得的目标属性信息 （如经纬度、 速度、 加速度等） 辅助完成目标识别。 最后由分类识别算法根据特征数据库中的目标 特征信息对目标进行分类识别。 目前， 信息融合目标识别系统受软、 硬件等技术能力制约， 还与传感器物 理性质和质量、 通信等有关， 实际应用环境并不普遍适用。 2. 3特征级融合目标识别的关键问题分析 2. 3. 1 特征数据库 多传感器信息融合目标识别的识别率和实时性在很大程度上取决于特征数 据库建立的完备程度。 现有的目标识别算法模式， 都需要与先验模式进行比较。 将各种可能存在的目标特征