用于三維動(dòng)態(tài)目標(biāo)識(shí)別的多傳感器多特征融合識(shí)別方法
【專利摘要】本發(fā)明公開了一種用于三維動(dòng)態(tài)目標(biāo)識(shí)別的多傳感器多特征融合識(shí)別方法，包含以下步驟：一、將識(shí)別目標(biāo)進(jìn)行二維平面化，建立二維投影圖像庫(kù)；二、將圖像進(jìn)行灰度化和二值化，并提取Hu矩特征和Zernike矩特征，建立圖像特征矩信息數(shù)據(jù)庫(kù)；三、根據(jù)圖像特征矩信息對(duì)分別對(duì)兩個(gè)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；四，將不同傳感器獲取到的待識(shí)別的目標(biāo)圖像序列進(jìn)行預(yù)處理并提取Hu矩特征和Zernike矩特征，將兩種特征矩信息分別輸入到已訓(xùn)練好的二個(gè)BP神經(jīng)網(wǎng)絡(luò)，經(jīng)計(jì)算得到基本概率分配函數(shù)，利用D-S證據(jù)理論對(duì)得到的基本概率賦值進(jìn)行時(shí)域和空域的融合得到識(shí)別結(jié)果信息，對(duì)識(shí)別結(jié)果信息按照判決規(guī)則進(jìn)行決策，最終得到目標(biāo)識(shí)別結(jié)果信息。本發(fā)明有利于提高目標(biāo)識(shí)別的正確概率。
【專利說明】用于三維動(dòng)態(tài)目標(biāo)識(shí)別的多傳感器多特征融合識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及多機(jī)同類傳感器信息融合識(shí)別技術(shù)，特別涉及基于BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論相結(jié)合的多傳感器多特征多級(jí)融合識(shí)別方法，適用于多機(jī)或多平臺(tái)協(xié)同進(jìn)行飛機(jī)目標(biāo)類型識(shí)別。
【背景技術(shù)】
[0002]在現(xiàn)代戰(zhàn)爭(zhēng)中，信息主導(dǎo)權(quán)是影響戰(zhàn)略全局的關(guān)鍵因素，而成像偵察和目標(biāo)識(shí)別是獲取信息的主要方式。軍用飛機(jī)等軍事目標(biāo)在戰(zhàn)爭(zhēng)中具有非常重要的戰(zhàn)略意義，發(fā)揮著十分重要的作用。在大量的航空偵察圖像數(shù)據(jù)中快速地發(fā)現(xiàn)這些戰(zhàn)略目標(biāo)，高效快速地識(shí)別軍用飛機(jī)目標(biāo)類型的方法有利于作戰(zhàn)指揮員實(shí)時(shí)把握敵方動(dòng)態(tài)進(jìn)行決策分析，并迅速做出反應(yīng)從而贏取戰(zhàn)爭(zhēng)的勝利，是我軍作戰(zhàn)取勝的關(guān)鍵內(nèi)容。因此，對(duì)軍用飛機(jī)目標(biāo)識(shí)別分類技術(shù)的研究具有重要的理論意義和重大的實(shí)際應(yīng)用價(jià)值，對(duì)于我國(guó)國(guó)防建設(shè)也具有重要的戰(zhàn)略意義和社會(huì)效益。
[0003]國(guó)內(nèi)外研究者對(duì)于目標(biāo)識(shí)別【技術(shù)領(lǐng)域】開展了大量的研究，提出了很多應(yīng)用于目標(biāo)識(shí)別分類的方法。雖然目標(biāo)識(shí)別分類領(lǐng)域可以使用的方法有很多，但目前在使用這些識(shí)別分類方法時(shí)，大多只根據(jù)單傳感器獲取得到的目標(biāo)的部分特征信息進(jìn)行相應(yīng)的識(shí)別分類，或者使用多個(gè)傳感器獲取得到的目標(biāo)的同種特征信息進(jìn)行相應(yīng)的識(shí)別分類。
[0004]在對(duì)三維目標(biāo)進(jìn)行識(shí)別時(shí)，單個(gè)傳感器提取的目標(biāo)特征往往由于其自身的探測(cè)特點(diǎn)不能獲得對(duì)目標(biāo)的完全描述，多個(gè)傳感器提取得到的目標(biāo)的同類特征信息對(duì)目標(biāo)特征的覆蓋面也較為有限，從而造成目標(biāo)分類識(shí)別的正確概率較低。而事實(shí)上，可以描述同一目標(biāo)的特征有很多種，利用現(xiàn)有的傳感器可以很方便的提取出來(lái)，因此如果同時(shí)利用多個(gè)傳感器獲取得到的目標(biāo)的多種獨(dú)立、互補(bǔ)的特征向量，可以獲得對(duì)目標(biāo)較為完全的描述，必然有利于大大提高目標(biāo)識(shí)別的正確概率。

【發(fā)明內(nèi)容】

[0005]針對(duì)現(xiàn)有識(shí)別分類方法存在的缺陷，本發(fā)明的發(fā)明目的在于提供一種用于三維動(dòng)態(tài)目標(biāo)類型識(shí)別的多傳感器多特征融合識(shí)別方法，將BP神經(jīng)網(wǎng)絡(luò)方法和D-S證據(jù)理論方法進(jìn)行有效結(jié)合，同時(shí)使用目標(biāo)的Hu不變矩特征和Zernike不變矩特征，對(duì)不同傳感器的識(shí)別結(jié)果進(jìn)行時(shí)間域和空間域上的融合，最后對(duì)融合識(shí)別結(jié)果按照判決規(guī)則進(jìn)行判斷得出最終的識(shí)別結(jié)果。本發(fā)明的識(shí)別分類結(jié)果正確概率高，抗干擾、差錯(cuò)性能強(qiáng)。
[0006]本發(fā)明的發(fā)明目的通過以下技術(shù)方案來(lái)實(shí)現(xiàn):
[0007]一種用于三維動(dòng)態(tài)目標(biāo)識(shí)別的多傳感器多特征融合識(shí)別方法，包含以下步驟:
[0008]步驟一、將識(shí)別目標(biāo)進(jìn)行二維平面化，建立二維投影圖像庫(kù)；
[0009]步驟二、將二維投影圖像庫(kù)中的圖像進(jìn)行預(yù)處理，進(jìn)行灰度化和二值化，并對(duì)預(yù)處理后的圖像同時(shí)提取Hu矩特征和Zernike矩特征，建立圖像特征矩信息數(shù)據(jù)庫(kù)；
[0010]步驟三、將計(jì)算出的Hu矩和Zernike矩的圖像特征矩信息，分別輸入到第一 BP神經(jīng)網(wǎng)絡(luò)、第二 BP神經(jīng)網(wǎng)絡(luò)，對(duì)第一 BP神經(jīng)網(wǎng)絡(luò)、第二 BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到兩個(gè)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)并進(jìn)行保存；
[0011]步驟四，將不同傳感器獲取到的待識(shí)別的目標(biāo)圖像序列進(jìn)行預(yù)處理并提取Hu矩特征和Zernike矩特征，將兩種特征矩信息分別輸入到第三步中已訓(xùn)練好的第一 BP神經(jīng)網(wǎng)絡(luò)、第二 BP神經(jīng)網(wǎng)絡(luò)，經(jīng)計(jì)算得到基本概率分配函數(shù)，利用D-S證據(jù)理論對(duì)得到的基本概率賦值進(jìn)行時(shí)域和空域的融合得到識(shí)別結(jié)果信息，對(duì)識(shí)別結(jié)果信息按照判決規(guī)則進(jìn)行決策，最終得到目標(biāo)識(shí)別結(jié)果信息。
[0012]依據(jù)上述特征，所述步驟一利用軟件建模法，通過軟件生成目標(biāo)在不同姿態(tài)下的
二維投影圖像庫(kù)。
[0013]依據(jù)上述特征，所述步驟二中的灰度化使用加權(quán)平均法，根據(jù)重要性或其他指標(biāo)給R、G、B賦予不同的權(quán)值，并使R、G、B的值加權(quán)平均，即:
[0014]R = G = B= (ffER+ffGG+ffBB)/3,
[0015]其中WK、We、Wb分別為R、G、B的權(quán)值，使We > Wk > Wb將得到合理的灰度圖像。
[0016]依據(jù)上述特征，當(dāng)Wc = 0.59, We = 0.30, Wb = 0.11 時(shí)，即 R = G = B =
0.30R+0.59G+0.1lB時(shí)，能得到最合理的灰度圖像。
[0017]依據(jù)上述特征，所述步驟三的具體方法為:
[0018]首選使用三個(gè)傳感器分別提取不同維度的圖像；
[0019]然后每種目標(biāo)的每一個(gè)坐標(biāo)維度都隨機(jī)選取一定數(shù)量的圖像，每幅圖像都提取Hu矩和Zernike矩；
[0020]最后將待識(shí)別目標(biāo)隨機(jī)選取的圖像所獲得的Hu矩特征輸入到第一 BP神經(jīng)網(wǎng)絡(luò)中，將Zernike矩輸入到第二 BP神經(jīng)網(wǎng)絡(luò)中，訓(xùn)練后保存神經(jīng)網(wǎng)絡(luò)BPl和BP2。
[0021]依據(jù)上述特征，所述步驟四中的基本概率分配函數(shù)為:
【權(quán)利要求】
1.一種用于三維動(dòng)態(tài)目標(biāo)識(shí)別的多傳感器多特征融合識(shí)別方法，包含以下步驟: 步驟一、將識(shí)別目標(biāo)進(jìn)行二維平面化，建立二維投影圖像庫(kù)； 步驟二、將二維投影圖像庫(kù)中的圖像進(jìn)行預(yù)處理，進(jìn)行灰度化和二值化，并對(duì)預(yù)處理后的圖像同時(shí)提取Hu矩特征和Zernike矩特征，建立圖像特征矩信息數(shù)據(jù)庫(kù)； 步驟三、將計(jì)算出的Hu矩和Zernike矩的圖像特征矩信息，分別輸入到第一 BP神經(jīng)網(wǎng)絡(luò)、第二 BP神經(jīng)網(wǎng)絡(luò)，對(duì)第一 BP神經(jīng)網(wǎng)絡(luò)、第二 BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到兩個(gè)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)并進(jìn)行保存； 步驟四，將不同傳感器獲取到的待識(shí)別的目標(biāo)圖像序列進(jìn)行預(yù)處理并提取Hu矩特征和Zernike矩特征，將兩種特征矩信息分別輸入到第三步中已訓(xùn)練好的第一 BP神經(jīng)網(wǎng)絡(luò)、第二 BP神經(jīng)網(wǎng)絡(luò)，經(jīng)計(jì)算得到基本概率分配函數(shù)，利用D-S證據(jù)理論對(duì)得到的基本概率賦值進(jìn)行時(shí)域和空域的融合得到識(shí)別結(jié)果信息，對(duì)識(shí)別結(jié)果信息按照判決規(guī)則進(jìn)行決策，最終得到目標(biāo)識(shí)別結(jié)果信息。
2.根據(jù)權(quán)利要求1所述的多傳感器多特征融合識(shí)別方法，其特征在于所述步驟一利用軟件建模法，通過軟件生成目標(biāo)在不同姿態(tài)下的二維投影圖像庫(kù)。
3.根據(jù)權(quán)利要求1所述的多傳感器多特征融合識(shí)別方法，其特征在于所述步驟二中的灰度化使用加權(quán)平均法，根據(jù)重要性或其他指標(biāo)給R、G、B賦予不同的權(quán)值，并使R、G、B的值加權(quán)平均，即:
R = G = B= (ffER+ffGG+ffBB)/3, 其中WK、We、Wb分別為R、G、B的權(quán)值，使We > Wk > Wb將得到合理的灰度圖像。
4.根據(jù)權(quán)利要求3所述的多傳感器多特征融合識(shí)別方法，其特征在于當(dāng)We= 0.59, We=0.30, Wb = 0.11 時(shí)，SP R = G = B = 0.30R+0.59G+0.1lB 時(shí)，能得到最合理的灰度圖像。
5.根據(jù)權(quán)利要求1所述的多傳感器多特征融合識(shí)別方法，其特征在于所述步驟三的具體方法為: 首選使用三個(gè)傳感器分別提取不同維度的圖像； 然后每種目標(biāo)的每一個(gè)坐標(biāo)維度都隨機(jī)選取一定數(shù)量的圖像，每幅圖像都提取Hu矩和 Zernike 矩； 最后將待識(shí)別目標(biāo)隨機(jī)選取的圖像所獲得的Hu矩特征輸入到第一 BP神經(jīng)網(wǎng)絡(luò)中，將Zernike矩輸入到第二 BP神經(jīng)網(wǎng)絡(luò)中，訓(xùn)練后保存第一 BP神經(jīng)網(wǎng)絡(luò)和第二 BP神經(jīng)網(wǎng)絡(luò)。
6.根據(jù)權(quán)利要求1所述的多傳感器多特征融合識(shí)別方法，其特征在于所述步驟四中的基本概率分配函數(shù)為: ni(,) = '? I J = 夏 ο
T)yλ

? I
7.根據(jù)權(quán)利要求1所述的多傳感器多特征融合識(shí)別方法，其特征在于所述步驟四中的時(shí)域融合具體方法為: 首先根據(jù)累積基本概率賦值-1y = 15.?5 M5/= U.，]￥和分配給識(shí)別框架的累積不確定性
8.根據(jù)權(quán)利要求1所述的多傳感器多特征融合識(shí)別方法，其特征在于所述步驟四中的空域融合具體方法為: 首先每個(gè)傳感器按遞歸方式在時(shí)域得到目標(biāo)識(shí)別的累積基本概率賦值及累積不確定性； 然后可對(duì)M個(gè)傳感器的時(shí)域累計(jì)信息按Dempster組合規(guī)則進(jìn)行空間域融合，傳感器i和I最終的時(shí)/空累積目標(biāo)識(shí)別融合結(jié)果為:
9.根據(jù)權(quán)利要求1所述的多傳感器多特征融合識(shí)別方法，其特征在于所述步驟四中的決策方法為: 設(shè)?是識(shí)別框架，m是基于Dempster組合規(guī)則得到的時(shí)間域和空間域融合后的基本概率分配函數(shù)，設(shè)彐4，4 [ Θ，滿足:
10.權(quán)利要求1到9所述的任一多傳感器多特征融合識(shí)別方法應(yīng)用于飛機(jī)類型識(shí)別。
【文檔編號(hào)】G06K9/00GK103984936SQ201410231814
【公開日】2014年8月13日 申請(qǐng)日期:2014年5月29日 優(yōu)先權(quán)日:2014年5月29日
【發(fā)明者】劉博
申請(qǐng)人:中國(guó)航空無(wú)線電電子研究所