王東明 張明堂

摘 要：目標識別在傳統(tǒng)上，都是靠一種性質的傳感器采集目標數據，缺點是只能在簡單的環(huán)境場合應用，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的多傳感器進行有效結合，并且同時獲取目標的原始信息，通過各種特征提取的方法獲得目標的多方位、多性質的特征值數據，并對特征值數據通過特征融合算法進行特征融合，目標識別正確率得到提升和識別的時間得到減少。

關鍵詞：多傳感器 特征提取 特征融合 目標識別

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

多傳感器信息融合的目標識別技術在各個方面的應用很多，可以應用在計算機視覺、軍事、遙感等很多方面，所以對于理論和應用的研究，具有重要的意義[1]。利用多傳感器的信息融合目標識別技術能夠在很復雜的背景環(huán)境，對目標進行識別，通過融合，減少了信息量，對目標的識別準確率和時間上都得到了極大的提高。目前，在各個領域，信息融合技術已經普遍使用，然而目標特征融合的目標識別技術，在國內目前研究比較少，并且需要解決許多問題，迫切需要開展廣泛深入的基礎理論和技術研究[2]。

1 多傳感器信息融合目標識別整體系統(tǒng)設計

多傳感器信息融合的含義是將可見光、紅外、激光雷達等性質相異的多個傳感器組獲取的目標原始信息進行融合。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的特征數據，然后在使用融合算法，將目標特征信息融合成復合特征信息量，使用分類識別算法，識別目標的過程。特征融合目標識別系統(tǒng)模塊能夠把原始目標信息中的相關特征數據提取出來、使特征數據真正有效、并且保證信息完整，從而融合成為待識別的融合特征信息，從而實現提高識別的準確率和效率[2]。

2 多傳感器信息融合目標識別各功能模塊設計

2.1 特征數據庫

特征數據庫是否完備決定了目標識別的正確率和效率[3]。目標識別算法都需要和已知模式比較，也就是學習訓練算法的一些參數。已知模式也就是把各種目標的特征數據存儲在特征數據庫，那么就構成了已知模式集，可以訓練目標識別分類器。

2.2 特征提取

對于紅外、可見光、雷達等這些探測物理性質不同的多傳感器，他們采集的目標信息原始數據也將是差異很大，數據信息龐大。怎樣從眾多的特征提取算法中，選擇適合的特征提取算法，把目標獨自具有的、可以和其他目標有效區(qū)分開的特征信息提取出來，是需要大量研究和實驗才能解決的問題。

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據合在一起。特征融合所要研究的內容就是采用何種融合方法，能達到融合后的數據少而精，保證后繼識別分類的快速、準確。融合的算法有以下兩種常用的方法：

式（2）中，i為虛數單位。α、β這兩個數據維數不同時，需要補0將低維升為與高維一樣，所以并行融合需要維數一致。

也可以采用遺傳算法、退火算法等這些優(yōu)化算法進行特征融合，但是有優(yōu)點也有缺點，優(yōu)點是獲得的融合特征數據更精減，缺點是融合需要大量時間，并且需要設計適應度函數。

2.4 目標識別

特征融合目標識別的算法當今主要是還是采用模式識別的很多算法，經驗級的方法，主要有基于統(tǒng)計的方法、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)計的方法

這種方法也稱呼為統(tǒng)計決策法。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)計算所有的特征數據的分類函數數值，然后將目標特征數據和分類函數數據進行對比，從而達到分類的目的。

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用前景，目前的應用也很廣。模糊識別方法最主要的也是最難解決的問題是根據具體問題設計隸屬度函數。基于模糊的統(tǒng)計方法、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。模式識別雖然已經應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的建立和設計仍然是難點和關鍵點。

2.4.3 人工神經網絡識別

人工神經網絡采取軟硬件的手段，通過模擬動物的神經系統(tǒng)一些功能，采用大量的處理單位作為類似動物神經網絡的節(jié)點，對節(jié)點的參數權值進行處理來實現單元之間的互聯的網絡結構。自動適應和自動組織是人工神經網絡的好處和特別之處，并且可以通過參數的學習訓練，達到智能和對錯誤校正，所以能夠對復雜的模式識別問題，進行處理[2]。

3 結語

本文對特征級融合目標識別進行了分析設計，設計建立了特征級融合目標識別的功能模塊，而且重點闡述說明了多傳感器特征融合目標識別的一些需要解決和分析的主要功能模塊問題，并且設計了目標特征融合識別的各部分的方法。

參考文獻

[1] 劉朝強.基于多傳感器特征信息融合的目標識別技術研究[D].沈陽理工大學，2015.

[2] 王東明.基于特征級融合的目標識別方法研究[D].沈陽理工大學，2013.

[3] 孫晉博，余隋懷，陳登凱.基于證據理論融合多特征的物體識別算法[J].計算機工程與應用，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，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，2015.

[6] 肖保良.基于Gist特征與PHOG特征融合的多類場景分類[J].中北大學學報：自然科學版，2014（6）：690-694.

[7] 高麗燕.基于DSP+FPGA的圖像識別系統(tǒng)設計與實現[D].南京理工大學，2006.