CN103034866B - 一种目标识别方法、装置及系统 - Google Patents

Abstract

本申请提供了一种目标识别方法、装置及系统。一种目标识别方法，首先获取各个传感器的他信度和自信度；其次将他信度和自信度融合，得出可信度；之后对于各个传感器，使用自身对应的可信度对概率向量进行加权，并将各个传感器加权后的概率向量进行求和，得到求和概率向量；最后，对求和概率向量进行融合，得出最终概率向量，从最终概率向量中选取数值最大的概率值作为结果概率值，将待识别目标识别为结果概率值对应的类型。本申请将传感器正确识别的可靠度和不同传感器间的支持度应用到识别过程中，避免了现有技术中数据的微小变化或者任一传感器的识别结果不同于其他传感器的识别结果所导致的识别错误，从而提高了识别准确度。

Description

一种目标识别方法、装置及系统

技术领域

本申请涉及物联网技术领域，特别涉及一种目标识别方法、装置及系统。

背景技术

目前，物联网系统常采用基于D-S证据理论的识别系统，识别待识别目标。所述基于D-S证据理论的识别系统包括多个设置在不同位置的传感器和识别装置。其中，各传感器对待识别目标进行数据采集。每个传感器对自身采集的数据进行分析，识别出待识别目标对应的类型，并得出待识别目标为不同类型时的概率，并将各个概率组成的概率向量发送至识别装置，其中，类型为识别结果，每个传感器自身得出的概率之和为1。识别装置利用D-S(Dempster/Shafer)证据组合公式，将各个传感器发送的概率向量中的各个概率进行融合，得出最终概率向量，从最终概率向量中最大概率值，将待识别目标识别为该最大概率值对应的类型。其中：融合过程为第i个传感器的概率向量与第i+1个传感器的概率向量融合，再与第i+2个传感器的概率向量融合，融合次数为传感器个数减1，DS证据组合公式如下：

其中：A为传感器识别出的某一个类型，Φ表明传感器未识别出待识别目标，m₁(A_i)表示传感器1将待识别目标识别为A时的概率，m₂(B_j)表明传感器2将待识别目标识别为B时的概率，为传感器1和传感器2将待识别目标识别为不同类型时的概率之和。

下面列举具体实例对基于D-S证据理论的识别系统进行说明。

例如：传感器A和B分别对待识别目标进行数据采集，得到概率向量分别为(0.96，0.01，0.03)和(0.01，0.01，0.98)，其中：(0.96，0.01，0.03)表明传感器A将待识别目标识别为行人的概率为0.96，将待识别目标识别为轮式车的概率是0.01，将待识别目标识别为履带车的概率是0.03。(0.01，0.01，0.98)表明传感器B将待识别目标识别为行人的概率是0.01，将待识别目标识别为轮式车的概率是0.01，将待识别目标识别为履带车的概率是0.98。识别装置利用DS证据合成公式，将上述概率向量融合，得出最终概率向量(0.2455，0.0026，0.7519)，从中可知最大概率值为0.7519，将待识别目标识别为履带车。

然而，当传感器A得出的概率向量为(0.98，0.01，0.01)时，识别装置得出的最终概率向量为(0.4975，0.0051，0.4975)，可以看出待识别目标为行人和履带车的概率相同，而识别结果的改变是由传感器A中0.96更改为0.98这一微小变化导致，而这一微小变化极有可能导致识别错误，降低识别准确度。

同时，假如传感器A、B、C和D得出的概率向量分别为(0.5，0.2，0.3)，(0.6，0.1，0.3)，(0.8，0.1，0.1)，(0，0.9，0.1)，从中可以看到，传感器A、B和C分别将待识别目标识别为行人的可能性相对较大，而传感器D将待识别目标识别为轮式车的可能性较大。识别装置融合后得出的最终概率向量为(0，0.667，0.333)，即最终将待识别目标识别为轮式车。显然，基于D-S证据理论的识别系统的多个传感器中，如果一个传感器的识别结果不同于其他传感器的识别结果，会导致最终的识别结果错误，即降低识别准确度。

综上所述，现有技术中数据的微小变化或者任一传感器的识别结果不同于其他传感器的识别结果，都会导致识别错误，从而降低识别准确度。进一步，系统在对待识别目标进行后续监测时，也会由于识别错误导致监测准确度降低。

发明内容

本申请所要解决的技术问题是提供一种目标识别方法，用以解决现有技术中数据的微小变化或者任一传感器的识别结果不同于其他传感器的识别结果，导致识别错误，从而降低识别和监测准确度的问题。

本申请还提供了一种目标识别装置及系统，用以保证上述方法在实际中的实现及应用。

为了解决上述问题，本申请提供了一种目标识别方法，包括：获取各个传感器发送的概率向量，所述概率向量记录有待识别目标被识别为不同类型时的概率；

针对任一所述传感器，获取该任一传感器的他信度和自信度，所述他信度表示不同传感器得出的识别结果之间的支持度，所述自信度表示传感器正确识别的可靠度；

将所述他信度和所述自信度融合，得出可信度；

对于各个传感器，使用自身对应的所述可信度对自身对应的概率向量进行加权，并将各个传感器加权后的概率向量进行求和，得到求和概率向量，并将各个传感器的概率向量全部更新为所述求和概率向量；

对所述求和概率向量分别进行融合，得出最终概率向量，从所述最终概率向量中选取数值最大的概率值作为结果概率值，将所述待识别目标识别为结果概率值对应的类型。

优选地，预先选取一个已知目标作为测试目标；

所述获取该任一传感器的自信度包括：

获取所述任一传感器在预设次数内识别所述测试目标时，得出的多个概率向量；

针对任一概率向量，从该任一概率向量记录的概率值中得出所述测试目标对应的类型，并在得出的类型与所述测试目标类型相同时进行计数，所述得出的类型与所述测试目标类型相同表明该任一传感器识别正确；

统计在所述预设次数内，该任一传感器正确识别的次数；

计算所述正确识别的次数与所述预设次数的比值，将所述比值作为所述自信度。

优选地，所述将所述他信度和所述自信度融合，得出可信度具体为：利用贝叶斯公式，将所述他信度和所述自信度融合，得出可信度。

优选地，所述对所述求和概率向量分别进行融合，具体为：依据D-S证据组合公式对所述求和概率向量进行n-1次融合，其中，n为传感器个数。

优选地，所述获取该任一传感器的他信度具体为：利用度量证据间距离的方法获取该任一传感器的他信度。

本申请还提供了一种目标识别装置，包括：概率向量得出单元，用于获取各个传感器发送的概率向量，所述概率向量记录有待识别目标被识别为不同类型时的概率；

信度获取单元，用于针对任一所述传感器，获取该任一传感器的他信度和自信度，所述他信度表示不同传感器得出的识别结果之间的支持度，所述自信度表示传感器正确识别的可靠度；

可信度得出单元，用于将所述他信度和所述自信度融合，得出可信度；

加权单元，用于对于各个传感器，使用自身对应的所述可信度对自身对应的概率向量进行加权，并将各个传感器加权后的概率向量进行求和，得到求和概率向量，并将各个传感器的概率向量全部更新为所述求和概率向量；

识别器，用于对所述求和概率向量分别进行融合，得出最终概率向量，从所述最终概率向量中选取数值最大的概率值作为结果概率值，将所述待识别目标识别为结果概率值对应的类型。

优选地，所述信度获取单元具体用于预先选取一个已知目标作为测试目标；

所述信度获取单元包括：

向量得出子单元，用于获取所述任一传感器在预设次数内识别所述测试目标时，得出的多个概率向量；

计数器，用于针对任一概率向量，从该任一概率向量记录的概率值中得出所述测试目标对应的类型，并在得出的类型与所述测试目标类型相同时进行计数，所述得出的类型与所述测试目标类型相同表明该任一传感器识别正确；

统计器，用于统计在所述预设次数内，该任一传感器正确识别的次数；

计算器，用于计算所述正确识别的次数与所述预设次数的比值，将所述比值作为所述自信度。

优选地，所述可信度得出单元具体用于利用贝叶斯公式，将所述他信度和所述自信度融合，得出可信度。

优选地，所述识别器具体用于依据D-S证据组合公式对所述求和概率向量进行n-1次融合，其中，n为传感器个数。

优选地，所述信度获取单元具体用于利用度量证据间距离的方法获取该任一传感器的他信度。

本申请还提供了一种目标识别系统，该系统包括：多个传感器，还包括：上述目标识别装置。

与现有技术相比，本申请包括以下优点：

应用上述技术方案，在识别过程中，首先获取各个传感器的他信度和自信度；其次将他信度和自信度融合，得出可信度；之后对于各个传感器，使用自身对应的所述可信度对自身对应的概率向量进行加权，并将各个传感器加权后的概率向量进行求和，得到求和概率向量，并将各个传感器的概率向量全部更新为所述求和概率向量；最后，对所述求和概率向量进行融合，得出最终概率向量，从所述最终概率向量中选取数值最大的概率值作为结果概率值，将所述待识别目标识别为结果概率值对应的类型。其中，他信度表示不同传感器得出的识别结果之间的支持度，自信度表示传感器正确识别的可靠度，即将传感器正确识别的可靠度和不同传感器间的支持度应用到识别过程中，避免了现有技术中数据的微小变化或者任一传感器的识别结果不同于其他传感器的识别结果所导致的识别错误，从而提高了识别准确度。

更进一步，在对待识别目标进行后续监测时，由于识别准确度的提高，使得检测准确度相应提高。

当然，实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请提供的目标识别方法的流程图；

图2是本申请提供的目标识别方法中步骤102的流程图；

图3是不同目标识别方法的识别准确度示意图；

图4是本申请提供的目标识别装置的结构示意图；

图5是本申请提供的目标识别装置中信度获取单元的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、包括以上任何系统或设备的分布式计算环境等等。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

参考图1，示出了本申请一种目标识别方法的流程图，可以包括以下步骤：

步骤101：获取各个传感器发送的概率向量，概率向量记录有待识别目标被识别为不同类型时的概率。

例如：传感器A发送的概率向量为(0.96，0.01，0.03)，其中：(0.96，0.01，0.03)表明传感器A将待识别目标识别为行人的概率为0.96，将待识别目标识别为轮式车的概率是0.01，将待识别目标识别为履带车的概率是0.03。

步骤102：对任一所述传感器，获取该任一传感器的他信度和自信度，所述他信度表示不同传感器得出的识别结果之间的支持度，所述自信度表示传感器正确识别的可靠度。

传感器的他信度的计算方法有很多，包括D-S证据组合公式，以及在D-S证据组合公式基础上提出的各种改进公式。本申请利用度量证据间距离的方法来获取传感器的他信度。具体如下：

假如多个传感器组成传感器系统S，即S＝{S₁，S₂，...，S_i，...，S_n}，其中S_i表示第i个传感器，n表示传感器个数；待识别目标向量T＝{T₁，T₂，...，T_i，...，T_k}，T_i表示第i个类型，k表示类型种类数。将传感器系统S对待识别目标向量T的识别矩阵记为其中，为第i个传感器对待识别目标向量T处理得出的概率向量，且满足 ${\mathrm{\Σ}}_{j=1}^k{m}_{\mathrm{ij}}=1,i=\mathrm{1,2},...,n.$

定义和之间的距离为： $d({\stackrel{\&RightArrow;}{m}}_i,{\stackrel{\&RightArrow;}{m}}_j)=\sqrt{\frac{1}{2}({\left|\right|{\stackrel{\&RightArrow;}{m}}_i\left|\right|}^2+{\left|\right|{\stackrel{\&RightArrow;}{m}}_j\left|\right|}^2-2<{\stackrel{\&RightArrow;}{m}}_i,{\stackrel{\&RightArrow;}{m}}_j>)},$ 其中： $<{\stackrel{\&RightArrow;}{m}}_i,{\stackrel{\&RightArrow;}{m}}_j>={\mathrm{\&Sigma;}}_{t=1}^k{m}_{\mathrm{it}}{m}_{\mathrm{jt}}.$

由定义可知，度量了证据和之间的距离，且 $0\&le;d({\stackrel{\&RightArrow;}{m}}_i,{\stackrel{\&RightArrow;}{m}}_j)\&le;1;$ 当 ${\stackrel{\&OverBar;}{m}}_i={\stackrel{\&OverBar;}{m}}_j$ 时， $d({\stackrel{\&RightArrow;}{m}}_i,{\stackrel{\&RightArrow;}{m}}_j)=0;$ 当 $\left|\right|{\stackrel{\&RightArrow;}{m}}_i\left|\right|=\left|\right|{\stackrel{\&RightArrow;}{m}}_j\left|\right|=1$ 且 ${\stackrel{\&RightArrow;}{m}}_i\&NotEqual;{\stackrel{\&RightArrow;}{m}}_j$ 时， $d({\stackrel{\&RightArrow;}{m}}_i,{\stackrel{\&RightArrow;}{m}}_j)=1.$

定义证据和之间的相似度为：进一步的，第i个传感器的概率向量获得的其他传感器的概率向量的支持度可以定义为 $\sup \left({\stackrel{\&RightArrow;}{m}}_i\right)={\mathrm{\&Sigma;}}_{j=1,j\&NotEqual;i}^n\mathrm{sim}({\stackrel{\&RightArrow;}{m}}_i,{\stackrel{\&RightArrow;}{m}}_j).$

将不同传感器之间的支持度的总和定义为1，对进行归一化操作可以得到第i个传感器的他信度为其中，他信度数值越大表明传感器之间的支持度越高，反之亦然。

因此，传感器系统S的他信度向量

在本申请中，传感器的自信度的获取可以预先选取一个已知目标作为测试目标，通过计算传感器正确识别测试目标的历史记录得出，具体请参阅图2。图2是本申请中步骤102的流程图，可以包括以下步骤：

步骤1021：获取传感器在预设次数内识别测试目标时，得出的多个概率向量。

预设次数可以是在识别系统初始化时，由操作人员设置的，当然，还可以在识别系统运行过程中，实时接收预设次数设置请求来实时更新预设次数。其中，预设次数的取值根据识别系统中传感器个数不同而不同，如可以设置为200，即传感器获取的概率向量个数为200。

步骤1022：针对任一概率向量，从该任一概率向量记录的概率值中得出所述测试目标对应的类型，并在得出的类型与所述测试目标类型相同时进行计数，所述得出的类型与所述测试目标类型相同表明该任一传感器识别正确。

其中，判断得出的类型与测试目标类型是否相同，是通过判断概率向量中的数值最大的概率对应的类型是否与目标类型相同来确定。例如：为传感器识别所述测试目标的理想概率向量，记为且表明测试目标的类型为行人。是传感器的识别所述测试目标的概率向量，可以为(0.6，0.3，0.1)，从中可知，传感器将所述测试目标识别为行人的概率为0.6，且概率最大，因此，传感器将所述测试目标识别为行人，其得出的类型与测试目标类型相同，即传感器识别正确。

上述计数为在得出的类型与所述测试目标类型相同时，在已记录的数值的基础上加1。

步骤1023：统计在预设次数内，该任一传感器正确识别的次数。

任一传感器正确识别次数的统计是通过依次对该任一传感器的不同概率向量判断得出，即统计出不同概率向量中能够正确对应测试目标类型的概率向量个数。其中，不同概率向量为同一个传感器在之前识别过程中得到的多个概率向量。

步骤1024：计算所述正确识别的次数与所述预设次数的比值，将所述比值作为所述自信度。

自信度的计算公式可以为：

其中，w_2i为第i个传感器的自信度，cnt_i为正确识别的次数，num_period为预设次数。

因此，传感器系统S的他信度向量

步骤103：将所述他信度和所述自信度融合，得出可信度。

他信度和自信度融合得出可信度，具体可以利用贝叶斯公式计算得出。贝叶斯公式为：其中，ω_i表示第i个传感器的可信度。

传感器系统S的可信度向量

步骤104：对于各个传感器，使用自身对应的所述可信度对自身对应的概率向量进行加权，并将各个传感器加权后的概率向量进行求和，得到求和概率向量，并将各个传感器的概率向量全部更新为所述求和概率向量。

上述对应为当可信度为第i个传感器的可信度时，则概率向量也应该是第i个传感器的概率向量。

本申请中，使用自身对应的所述可信度对自身对应的概率向量进行加权，并将各个传感器加权后的概率向量进行求和的计算公式可以为：其中是第i个传感器的概率向量，ω_i是第i个传感器的可信度，是求和概率向量。

需要说明的是：在计算可信度时，每个传感器会获得预设次数的概率向量并保存，因此，在得到求和概率向量之后，传感器会删除多个概率向量中得出时间最早的概率向量，以保证每次获得的概率向量个数始终等于预设次数。同时，传感器系统S也会保存预设次数的最终概率向量，并随着最终概率向量的得出，自动删除得出时间最早的最终概率向量，以保证传感器S始终保存预设次数的最终概率向量。在计算任一传感器的可信度时，将获得的任一概率向量分别与其对应的最终概率向量进行对比，在对比结果为概率向量得出的类型与最终概率向量得出的类型相同时，进行计数。

上述得出时间最早的概率向量为传感器在识别测试目标时，优先得出的概率向量，例如传感器得出的第一个概率向量。同样，得出时间最早的最终概率向量为传感器系统S在识别测试目标时，优先得出的最终概率向量，例如传感器系统S得出的第一个最终概率向量。

步骤105：对求和概率向量分别进行融合，得出最终概率向量，从所述最终概率向量中选取数值最大的概率值作为结果概率值，将所述待识别目标识别为结果概率值对应的类型。

其中，对求和概率向量分别进行融合可以为：依据D-S证据组合公式对求和概率向量进行n-1次融合，其中，n为传感器个数。即可以先第i个传感器的概率向量与第i+1个传感器的概率向量融合，再与第i+2个传感器的概率向量融合，其中1≤i≤n-2。

应用上述技术方案，在识别过程中，首先获取各个传感器的他信度和自信度；其次将他信度和自信度融合，得出可信度；之后对于各个传感器，使用自身对应的所述可信度对自身对应的概率向量进行加权，并将各个传感器加权后的概率向量进行求和，得到求和概率向量，并将各个传感器的概率向量全部更新为所述求和概率向量；最后，对求和概率向量进行融合，得出最终概率向量，从所述最终概率向量中选取数值最大的概率值作为结果概率值，将所述待识别目标识别为结果概率值对应的类型。其中，他信度表示不同传感器得出的识别结果之间的支持度，自信度表示传感器正确识别的可靠度，即将传感器正确识别的可靠度和不同传感器间的支持度应用到识别过程中，避免了现有技术中数据的微小变化或者任一传感器的识别结果不同于其他传感器的识别结果所导致的识别错误，从而提高了识别准确度。

更进一步，在对待识别目标进行后续监测时，由于识别准确度的提高，使得检测准确度相应提高。

发明人使用4个传感器，对6个待识别目标进行识别，每次识别过程进行20000次融合，共进行100次识别，采用不同方法识别的识别准确度示意图请参阅图3。从图中可以看出本申请提供的目标识别方法的识别准确度明显优于包括DS证据组合方法在内的其他几种常见方法。

与上述方法实施例相对应，本申请还提供一种目标识别装置，结构示意图如图4所示，包括：概率向量得出单元41、信度获取单元42、可信度得出单元43、加权单元44和识别器45。其中：

概率向量得出单元41，用于获取各个传感器发送的概率向量，所述概率向量记录有待识别目标被识别为不同类型时的概率。

例如传感器B得到概率向量为(0.01，0.01，0.98)，(0.01，0.01，0.98)表明传感器B将待识别目标识别为行人的概率是0.01，将待识别目标识别为轮式车的概率是0.01，将待识别目标识别为履带车的概率是0.98。

信度获取单元42，用于针对任一所述传感器，获取该任一传感器的他信度和自信度，所述他信度表示不同传感器得出的识别结果之间的支持度，所述自信度表示传感器正确识别的可靠度。

在本申请中，信度获取单元42具体用于利用度量证据间距离的方法获取该任一传感器的他信度。在获取自信度时，可以预先选取一个已知目标作为测试目标，通过计算传感器正确识别测试目标的历史记录得出，具体请参阅图5。图5是信度获取单元42的结构示意图，包括：向量得出子单元421、计数器422、统计器423和计算器424。其中：

向量得出子单元421，用于获取所述任一传感器在预设次数内识别所述测试目标时，得出的多个概率向量。

预设次数可以是在识别系统初始化时，由操作人员设置的，当然，还可以在识别系统运行过程中，实时接收预设次数设置请求来实时更新预设次数。其中，预设次数的取值根据识别系统中传感器个数不同而不同，如可以设置为200，即传感器获取的概率向量个数为200。

计数器422，用于针对任一概率向量，从该任一概率向量记录的概率值中得出所述测试目标对应的类型，并在得出的类型与所述测试目标类型相同时进行计数，所述得出的类型与所述测试目标类型相同表明该任一传感器识别正确。

判断得出的类型与测试目标类型是否相同，是通过判断概率向量中的数值最大的概率对应的类型是否与目标类型相同来确定。例如：为传感器识别所述测试目标的理想概率向量，记为且表明测试目标的类型为行人。是传感器的识别所述测试目标的概率向量，可以为(0.6，0.3，0.1)，从中可知，传感器将所述测试目标识别为行人的概率为0.6，且概率最大，因此，传感器将所述测试目标识别为行人，其得出的类型与测试目标类型相同，即传感器识别正确。

上述计数为在得出的类型与所述测试目标类型相同时，在已记录的数值的基础上加1。

统计器423，用于统计在所述预设次数内，该任一传感器正确识别的次数。传感器正确识别次数的统计是通过依次对该任一传感器的不同概率向量判断得出，即统计出不同概率向量中能够正确对应测试目标类型的概率向量个数。

计算器424，用于计算所述正确识别的次数与所述预设次数的比值，将所述比值作为所述自信度。自信度的计算公式可以为：

其中，w_2i为第i个传感器的自信度，cnt_i为正确识别的次数，num_period为预设次数。

可信度得出单元43，用于将他信度和自信度融合，得出可信度。

上述可信度得出单元43具体用于利用贝叶斯公式，将所述他信度和所述自信度融合，得出可信度。贝叶斯公式为：其中，ω_i表示第i个传感器的可信度。

加权单元44，对于各个传感器，使用自身对应的所述可信度对自身对应的概率向量进行加权，并将各个传感器加权后的概率向量进行求和，得到求和概率向量，并将各个传感器的概率向量全部更新为所述求和概率向量。

其中，对应为当可信度为第i个传感器的可信度时，则概率向量也应该是第i个传感器的概率向量。

本申请中，使用自身对应的所述可信度对自身对应的概率向量进行加权，并将各个传感器加权后的概率向量进行求和的计算公式可以为：其中是第i个传感器的概率向量，ω_i是第i个传感器的可信度，是求和概率向量。

需要说明的是：在计算可信度时，每个传感器会获得预设次数的概率向量并保存，因此，在加权单元44得到求和概率向量之后，传感器会删除多个概率向量中得出时间最早的概率向量，以保证向量得出子单元421每次获得的概率向量个数始终等于预设次数。同时，传感器系统S也会保存预设次数的最终概率向量，并随着最终概率向量的得出，自动删除得出时间最早的最终概率向量，以保证传感器S始终保存预设次数的最终概率向量。在计算任一传感器的可信度时，将向量得出子单元421获得的任一概率向量分别与其对应的最终概率向量进行对比，在对比结果为概率向量得出的类型与最终概率向量得出的类型相同时，计数器422计数。

上述得出时间最早的概率向量为传感器在识别测试目标时，优先得出的概率向量，例如传感器得出的第一个概率向量。同样，得出时间最早的最终概率向量为传感器系统S在识别测试目标时，优先得出的最终概率向量，例如传感器系统S得出的第一个最终概率向量。

识别器45，用于对求和概率向量分别进行融合，得出最终概率向量，从所述最终概率向量中选取数值最大的概率值作为结果概率值，将所述待识别目标识别为结果概率值对应的类型。

上述识别器45具体用于依据D-S证据组合公式对求和概率向量分别进行n-1次融合，其中，n为传感器个数。

需要说明的是：本申请提供的目标识别装置与上述目标识别方法相对应，因此，目标识别装置中的具体执行过程可以参阅方法实施例中的对应说明，对此不再加以详细阐述。

应用上述技术方案，将传感器正确识别的可靠度和不同传感器间的支持度应用到识别过程中，避免了现有技术中数据的微小变化或者任一传感器的识别结果不同于其他传感器的识别结果所导致的识别错误，从而提高了识别准确度。

更进一步，在对待识别目标进行后续监测时，由于识别准确度的提高，使得检测准确度相应提高。

本申请还提供一种目标识别系统，包括多个传感器，其特征在于，还包括：目标识别装置。目标识别装置的具体阐述请参阅上述装置实施例详细介绍，对此不再加以说明。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了描述的方便，描述以上系统时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

以上对本申请所提供的一种目标识别方法、装置及系统进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种目标识别方法，其特征在于，包括：

获取各个传感器发送的概率向量，所述概率向量记录有待识别目标被识别为不同类型时的概率；

针对任一所述传感器，获取该任一传感器的他信度和自信度，所述他信度表示不同传感器得出的识别结果之间的支持度，所述自信度表示传感器正确识别的可靠度；

所述获取该任一传感器的他信度具体为：利用度量证据间距离的方法获取该任一传感器的他信度；

将所述他信度和所述自信度融合，得出可信度；

对于各个传感器，使用自身对应的所述可信度对自身对应的概率向量进行加权，并将各个传感器加权后的概率向量进行求和，得到求和概率向量，并将各个传感器的概率向量全部更新为所述求和概率向量；

对所述求和概率向量分别进行融合，得出最终概率向量，从所述最终概率向量中选取数值最大的概率值作为结果概率值，将所述待识别目标识别为结果概率值对应的类型。

2.根据权利要求1所述的目标识别方法，其特征在于，预先选取一个已知目标作为测试目标；

所述获取该任一传感器的自信度包括：

获取所述任一传感器在预设次数内识别所述测试目标时，得出的多个概率向量；

针对任一概率向量，从该任一概率向量记录的概率值中得出所述测试目标对应的类型，并在得出的类型与所述测试目标类型相同时进行计数，所述得出的类型与所述测试目标类型相同表明该任一传感器识别正确；

统计在所述预设次数内，该任一传感器正确识别的次数；

计算所述正确识别的次数与所述预设次数的比值，将所述比值作为所述自信度。

3.根据权利要求2所述的目标识别方法，其特征在于，所述将所述他信度和所述自信度融合，得出可信度具体为：利用贝叶斯公式，将所述他信度和所述自信度融合，得出可信度。

4.根据权利要求3所述的目标识别方法，其特征在于，所述对所述求和概率向量分别进行融合，具体为：依据D-S证据组合公式对所述求和概率向量进行n-1次融合，其中，n为传感器个数。

5.一种目标识别装置，其特征在于，包括：

概率向量得出单元，用于获取各个传感器发送的概率向量，所述概率向量记录有待识别目标被识别为不同类型时的概率；

信度获取单元，用于针对任一所述传感器，获取该任一传感器的他信度和自信度，所述他信度表示不同传感器得出的识别结果之间的支持度，所述自信度表示传感器正确识别的可靠度；

所述信度获取单元具体用于利用度量证据间距离的方法获取该任一传感器的他信度；

可信度得出单元，用于将所述他信度和所述自信度融合，得出可信度；

加权单元，用于对于各个传感器，使用自身对应的所述可信度对自身对应的概率向量进行加权，并将各个传感器加权后的概率向量进行求和，得到求和概率向量，并将各个传感器的概率向量全部更新为所述求和概率向量；

识别器，用于对所述求和概率向量分别进行融合，得出最终概率向量，从所述最终概率向量中选取数值最大的概率值作为结果概率值，将所述待识别目标识别为结果概率值对应的类型。

6.根据权利要求5所述的目标识别装置，其特征在于，所述信度获取单元预先选取一个已知目标作为测试目标；

所述信度获取单元包括：

向量得出子单元，用于获取所述任一传感器在预设次数内识别所述测试目标时，得出的多个概率向量；

计数器，用于针对任一概率向量，从该任一概率向量记录的概率值中得出所述测试目标对应的类型，并在得出的类型与所述测试目标类型相同时进行计数，所述得出的类型与所述测试目标类型相同表明该任一传感器识别正确；

统计器，用于统计在所述预设次数内，该任一传感器正确识别的次数；

计算器，用于计算所述正确识别的次数与所述预设次数的比值，将所述比值作为所述自信度。

7.根据权利要求6所述的目标识别装置，其特征在于，所述可信度得出单元具体用于利用贝叶斯公式，将所述他信度和所述自信度融合，得出可信度。

8.根据权利要求7所述的目标识别装置，其特征在于，所述识别器具体用于依据D-S证据组合公式对所述求和概率向量进行n-1次融合，其中，n为传感器个数。

9.一种目标识别系统，包括多个传感器，其特征在于，还包括：如权利要求5至8任意一项所述的目标识别装置。