【技术实现步骤摘要】
一种多源信息融合不确定性判别方法
[0001]本专利技术涉及一种信息融合判别方法,具体为一种多源信息融合不确定性判别方法,属于信息融合处理
技术介绍
[0002]广域目标搜索及多传感器融合识别过程中,不同传感器探测范围有差异,表现出在不同探测范围下各传感器识别的有效性不同;同时,目标距离连续变化,不同成像机理传感器及其成像特性具有目标探测的距离适应性。因此,低空空域目标多传感器融合应用时,需考虑各个传感器识别信任度及其随目标距离变化规律;不同探测距离下信任度分配亦受外界干扰,且不同传感器信任度边界重叠,从而导致在多传感器融合判别时具有模糊性。
[0003]广域目标搜索系统的机器人子系统(空中无人机群及地面无人车等)具有搜索和跟踪两种工作状态,对应目标识别及目标跟踪过程;由于目标识别过程具有模糊性,从而导致两种工作状态的判别过程具有不确定性;这是一个基于较强不确定数据的系统工况判断问题,需要系统工作状态在搜寻、捕获、跟踪之间切换;为了更好引导系统在搜索态和跟踪态切换,需要设计一种状态判别及切换机制;由于目标识别过程的不确定性,状态判别机制应综合考虑在搜索范围内(信息粒度内)目标捕获概率和信息熵等多种不确定联合评价最优为原则。
技术实现思路
[0004]本专利技术的目的就在于为了解决上述至少一个技术问题而提供一种多源信息融合不确定性判别方法,首先建立低空目标动态识别问题描述,分析传感器探测距离适应性问题,进而基于分类器识别特性及特征空间分布规律提出BPA基本构造方法;依据典型距离条件下识 ...
【技术保护点】
【技术特征摘要】
1.一种多源信息融合不确定性判别方法,其特征在于:包括以下步骤步骤一、独立特征分析,采集不同光照条件下目标典型离散距离下图像样本,依据目标先验知识进行图像预处理,并自动标识疑似目标,提取样本疑似目标的灰度、熵、颜色以及形状的四维独立特征,并进行分析;步骤二、多源信息采集及目标信息提取,对于红外和可见光系统的灰度值,采用灰度均值对比度衡量目标窗口内的平均灰度和相邻背景区域的差别,以此区分远距离微小目标;步骤三、构造基于信度回归的多源信息融合识别框架,识别框架下的证据;步骤四、构造BPA函数,采用识别算法构造分类器,通过对分类器同一模式的分类倾向求差值来得到分类器分类能力的差异度量值,进而定义分类器的可信度向量,依据上述基分类器可信度评价方法,给出分类器的分布规律,并结合各分类器识别精度构造BPA函数;步骤五、建立BBR模型,不同距离下目标的显著性特征不同,远距离条件下局部灰度均值对比度和局部熵是目标的显著性特征;近距离条件下色度矩和形状度是目标的显著性特征;步骤六、联合评价粒度广域目标搜索判别,首先,其值与目标搜索范围有关,当搜索区域靠近或涵盖目标落点先验概率高区域,其搜索信息粒度升高;同时,其值与传感器分辨率及捕获概率有关,当传感器分辨率高、区域条件下捕获概率高时,其搜索信息粒度值升高;最后,其值与分类器识别的目标相似度有关,当识别目标相似度高,其信息粒度将升高。2.根据权利要求1所述的一种多源信息融合不确定性判别方法,其特征在于:所述步骤一中,对于样本疑似目标四维独立特征的提取,选用可见光传感器、红外传感器及激光雷达三个独立传感器分别测量。3.根据权利要求1所述的一种多源信息融合不确定性判别方法,其特征在于:所述步骤二中,灰度值的定义为:其中,和分别为当前像素g(x,y)所在内窗口和外窗口中所有像素的平均灰度;N
in
和N
out
为待处理像素g(x,y)的内窗口W
in
(x,y)和外窗口W
out
(x,y)中的像素数;g(k,l)为图像中第行第列像素的灰度值;对于红外和可见光系统的局部熵,刻画图像中局部区域灰度变化的剧烈程度,其定义为:式中,为对于可见光系统测量的色度矩,目标颜色信息主要分布在低阶色度矩,其中,一阶色度矩描述平均颜色,二阶色度矩描述颜色方差,三阶色度矩描述颜色的偏移性,其定义如下:
式中:M1、M2、M3为一、二、三阶色度矩;对于激光雷达测量的形状度,形状特征主要包括形状度、长宽比和复杂度,其定义如下:式中E、I和S分别为目标形状度、长宽比和复杂度;A、P、L
max
和L
min
分别为待识别目标的面积、外轮廓周长及长轴、短轴长,单位为像素。4.根据权利要求1所述的一种多源信息融合不确定性判别方法,其特征在于:所述步骤三中,具体包括:识别框架Θ下证据E1,...,E
n
,其基本信任分配BBA为Bel(E
i
)=m
i
,其BPA为且有如果存在,表示正交和,且其BBA为m
i
,则对于有:式中:A
j
(j=1,
…
,k)为Θ的焦元;m(A)为子集A合成信任度。5.根据权利要求1所述的一种多源信息融合不确定性判别方法,其特征在于:所述步骤四中,具体包括:假设对于N类的模式分类问题,采用识别算法构造分类器C,表示第i类模式被分类器C判断成第j类模式的数据占i类模式样本总数的百分率,则可得到维混淆矩阵:其中,元素的行下标为目标的真实属性,列下标为分类器产生的识别属性,对角线元素为各模式能够被分类器C正确识别的百分率,非对角线元素为发生错误判断的百分率;混淆矩阵的行向量β
i
=[cm
i1
…
【专利技术属性】
技术研发人员:唐晓刚,李海滨,陈龙,潘协昭,
申请(专利权)人:中国人民解放军战略支援部队航天工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。