本发明专利技术公开了一种基于DSmT的图像目标多特征融合识别方法，其首先，我们将提取图像目标的矩和轮廓等多个特征量作为证据源，以获得足够多的有用互补信息；接着，我们通过由广泛应用于分类的PNN神经网络来构造目标识别率矩阵；然后根据PNN网络的初识别结果和类似统计学中极大似然思想的规则，用目标识别率矩阵对基本信度进行赋值；最后用DSmT组合规则进行决策级数据融合，完成对三维目标的识别。本发明专利技术提供的基于DSmT的图像目标多特征融合识别方法，能够解决在三维目标识别中由于信息获取的不精确、不确定、不完全和高度冲突等导致目标识别率不高的问题。
【技术实现步骤摘要】
本专利技术涉及图像识别和人工智能领域，尤其涉及一种通过提取图像目标的多个特征，获取足够多的有用互补信息，应用DSmT信息融合理论在决策层对信息进行融合得到最后的决策结果的方法。
技术介绍
三维目标的识别是计算机视觉领域的核心问题之一，目前三维目标信息的获取主要是通过以任意角度观测的二维数字图像得到的，而由于目标相对于摄像机在不同方向角所呈现的图像姿态变化万千，使得利用其二维数字图像进行目标识别的难度大大增加。一方面，在从三维到二维的转化过程中，信息量出现丢失。另一方面，数据库的建立也具有不完全性。对于三维目标的识别，在现有方法中，单一特征量被广泛用于目标识别、景物匹配、图像分析及字符识别等问题中。Dudani et al "Aircraft identification by moment in variants，，(Dudani S A, Breeding K J, McGhee R B. IEEE Trans Comput, 1977, (1) 39-46)将不变矩理论用于飞机的识别，Wallace et al"An efficient three-dimensional aircraft recognition algorithm using normalized Fourier descriptors"(Wallace T P, Wintz P. Computer Graphics Image Processing, 1980，3 :99_126)将傅氏描绘子用于三维物体的识别，Jan Flusser"Pattern recognition by affine moment invariants，，(Jan F，Tomas S. Pattern Recognitiong，1993，26 (1) 167-174)将仿射不变矩用于形状模式识别中均获得良好的效果。但是，紧依靠获取单一特征量进行识别，获取的信息量比较少，导致识别目标不精确、不确定、不完全以及高度冲突，很难保证在复杂的实际环境背景下有良好的正确识别率。Dezert-Smarandache Theory (DSmT)是由法国的资深科学家 Jean Dezert 博士禾口美国的著名数学家Florentin Smarandache教授于2003年共同提出来的一种新的推理理论《Advances and Applications of DSmT for Information Fusion》 (Smarandache F, Dezert J. USA =American Research Press, 2004/2006/2009. Voll，Vol2and Vol3)。它是从概率论和D-S证据推理理论的基础上发展起来的，能够有效地解决不确定、不精确、模糊、 矛盾或者高度冲突、甚至不完全信息的管理和融合问题。目前该理论方法在图像处理、机器人环境感知、军事上的多目标跟踪与识别、多目标决策、雷达目标分类、地理科学、故障诊断、经济金融、地理信息系统等领域得到了广泛的应用。
技术实现思路
专利技术目的为了克服现有技术中存在的不足，本专利技术提供一种将DSmT推理理论和 PNN网络相结合，对图像目标进行识别的多特征融合识别方法，解决在三维目标识别中由于信息获取的不精确、不确定、不完全和高度冲突等导致目标识别率不高的问题。技术方案为解决上述技术问题，本专利技术采样的技术方案为—种基于DSmT的图像目标多特征融合识别方法，包括如下步骤(1)提取目标图像的的矩特征量和轮廓特征量，其中矩特征量包括Hu矩、归一化转动惯量和仿射不变矩，轮廓特征量包括轮廓离散化参数和奇异值； (2)依据每个特征量构建PNN神经网络并对其进行训练，得到各自的目标识别率矩阵；(3)根据PNN网络的初识别结果和类似统计学中极大似然思想的规则，用目标识别率矩阵对基本信度进行赋值；(4)用DSmT组合规则进行决策级数据融合，完成对三维目标的识别。经相关文献证明，步骤⑴中提出的5个特征量都具有良好的平移、旋转和比例不变性。多个特征量的提取相对于只提取单一特征，提供了更多有用的互补信息。而且在实际应用中，虽然单一不变量在理论上具有很好的不变性特征，但在具体的实践中有些前提假设是不成立的，这时多个特征量可以弥补单一特征量的不足。本专利技术针对三维目标识别问题的复杂性，对应用背景进行了简化处理，在步骤(2) 中，采用在完全排他性约束条件下的DSmT模型，提出了针对超幂集空间仅单子焦元和完全未知焦元具有信度赋值的情况(如θ = P1, θ2}，那么超幂集空间D0 = {θ” θ2， Q1I θ 2, θ J θ 2}中，仅θ” 02和θ JG2具有信度赋值，而θ JQ2W信度赋值为零)，利用DSmT经典组合规则和PCR5重新分配规则进行融合，具体模型如表1 :表 1^ [T2[Tl Ut证据彳^^^_____7m\xIlxI2+ + +xI71 -[ ______M___X21X22...__Χ277m3 X31 X32 ... X37 1_ΣΧ3; ______M_7m4 X41 X42 ... X47 ______M_7m5X51X52...X57_I_I_I_I_ j=i_其中Hii表示第i种特征量，Tj表示目标T被判定为第j类，It = T1U. . . UT7表示未知类别，Xu表示目标τ根据特征i被判定为第j类的信度赋值。再利用PNN网络获得本专利技术中定义好的目标识别率矩阵，然后借鉴极大似然的思想从目标识别率矩阵中选出一个合适的行向量来作为对应证据体的信度赋值。有益效果本专利技术提供的基于DSmT的图像目标多特征融合识别方法，能够解决在三维目标识别中由于信息获取的不精确、不确定、不完全和高度冲突等导致目标识别率不高的问题，通过仿真实验，将多特征方法与单一特征方法进行比较，结果表明使用本专利技术方法正确识别率得到了很大提高，而且具有有效拒判能力。附图说明图1为多特征融合识别算法框架示意图；图2为PNN神经网络示意图3为算法流程图；图4为飞机部分姿态二值图；图5为正确识别率图； 图6为不属于数据库类别的目标图；图7为本专利技术中的识别方法与单一特征的K-近邻方法对比图；图8为本专利技术中的识别方法与单一特征的BP神经网络方法对比图。具体实施例方式下面结合附图对本专利技术作更进一步的说明。该项目受国家自然科学基金(青年基金)资助项目(No. 60804063)；江苏省自然科学基金资助项目(NO.BK2010403)；图像信息处理与智能控制教育部重点实验室开放基金资助项目(No 200902)；航空科学基金项目(20101690001)；东南大学创新基金 (No. 3208000501)；东南大学优秀青年教师教学科研资助项目(3208001203)资助。1图像特征提取图像目标识别的第一步是提取有效的图像特征。在这里，我们主要引入矩特征量和轮廓特征量，矩特征量包括Hu矩、归一化转动惯量(NMI)和仿射不变矩，而轮廓特征量包括轮廓离散化参数和奇异值分解。这5个特征量都具有良好的平移、旋转和比例不变性，在图像目标识别中得到了广泛的应用。1. IHu 矩对二值数字图像f (X，y)，(p+q)阶原点矩和(p+q)阶中心矩分别定义为M Nm本文档来自技高网...
【技术保护点】
１．一种基于ＤＳｍＴ的图像目标多特征融合识别方法，其特征在于：该方法包括如下步骤：（１）提取目标图像的的矩特征量和轮廓特征量，其中矩特征量包括Ｈｕ矩、归一化转动惯量和仿射不变矩，轮廓特征量包括轮廓离散化参数和奇异值；（２）依据每个特征量构建ＰＮＮ神经网络并对其进行训练，得到各自的目标识别率矩阵；（３）根据ＰＮＮ网络的初识别结果和类似统计学中极大似然思想的规则，用目标识别率矩阵对基本信度进行赋值；（４）用ＤＳｍＴ组合规则进行决策级数据融合，完成对三维目标的识别。
【技术特征摘要】
【专利技术属性】
技术研发人员：李新德，杨伟东，
申请(专利权)人：东南大学，
类型：发明
国别省市：84
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。