王東明 張明堂

摘 要：目標(biāo)識別在傳統(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)是只能在簡單的環(huán)境場合應(yīng)用，識別正確率和識別效率低。本文通過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)，并對特征值數(shù)據(jù)通過特征融合算法進(jìn)行特征融合，目標(biāo)識別正確率得到提升和識別的時(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)識別

中圖分類號：TP21 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2018）04（c）-0001-02

多傳感器信息融合的目標(biāo)識別技術(shù)在各個方面的應(yīng)用很多，可以應(yīng)用在計(jì)算機(jī)視覺、軍事、遙感等很多方面，所以對于理論和應(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)識別技術(shù)能夠在很復(fù)雜的背景環(huán)境，對目標(biāo)進(jìn)行識別，通過融合，減少了信息量，對目標(biāo)的識別準(zhǔn)確率和時(shí)間上都得到了極大的提高。目前，在各個領(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)識別技術(shù)，在國內(nèi)目前研究比較少，并且需要解決許多問題，迫切需要開展廣泛深入的基礎(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光、紅外、激光雷達(dá)等性質(zhì)相異的多個傳感器組獲取的目標(biāo)原始信息進(jìn)行融合。首先解決的問題就是針對不同傳感器使用不同的特征提取算法來提取目標(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，使用分類識別算法，識別目標(biāo)的過程。特征融合目標(biāo)識別系統(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、使特征數(shù)據(jù)真正有效、并且保證信息完整，從而融合成為待識別的融合特征信息，從而實(shí)現(xiàn)提高識別的準(zhǔn)確率和效率[2]。

2 多傳感器信息融合目標(biāo)識別各功能模塊設(shè)計(jì)

2.1 特征數(shù)據(jù)庫

特征數(shù)據(jù)庫是否完備決定了目標(biāo)識別的正確率和效率[3]。目標(biāo)識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)存儲在特征數(shù)據(jù)庫，那么就構(gòu)成了已知模式集，可以訓(xùn)練目標(biāo)識別分類器。

2.2 特征提取

對于紅外、可見光、雷達(dá)等這些探測物理性質(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)分開的特征信息提取出來，是需要大量研究和實(shí)驗(yàn)才能解決的問題。

2.3 特征融合

特征融合算法簡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，保證后繼識別分類的快速、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)識別

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

于模糊的識別方法、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

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

2.4.2 模糊模式識別

基于模糊的分類識別方法具有很大的應(yīng)用前景，目前的應(yīng)用也很廣。模糊識別方法最主要的也是最難解決的問題是根據(jù)具體問題設(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、基于模糊的二元對比排序方法等是目前的主流方法。模式識別雖然已經(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)識別

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

3 結(jié)語

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

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)識別技術(shù)研究[D].沈陽理工大學(xué)，2015.

[2] 王東明.基于特征級融合的目標(biāo)識別方法研究[D].沈陽理工大學(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特征融合的多類場景分類[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的圖像識別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].南京理工大學(xué)，2006.