CN106056163A - 一种多传感器信息融合的目标识别方法 - Google Patents

Abstract

本发明涉及一种多传感器信息融合的目标识别方法，包括以下步骤：S1：证据的获取：包括传感器信号获取以及输出信息的数据预处理、特征提取、身份识别过程，这些证据包含基本概率赋值函数BPA、信任函数BEL、似真度函数PL；S2：证据的组合：包括通过D‑S证据组合规则，组合步骤S1中得出的所有证据，得出组合后的基本概率赋值函数BPA、信任函数BEL、似真度函数PL；S3：信息融合：包括选取合适的决策方法得出最终的融合结果。本发明解决了全局分配策略中冲突信息分配给所有的焦元(或者称为子集)这一不符合实际的情况，从而很好的解决了在目标识过程中因证据严重冲突而带来的异常结论问题和一票否决问题，进而得出更理想的合成结果，能够提高目标识别的正确率。

Description

一种多传感器信息融合的目标识别方法

技术领域

本发明属于计算机应用技术领域，涉及一种多传感器信息融合的目标识别方法。

背景技术

随着计算机技术、通信技术和微电子技术的发展，以及现代战争的复杂性日益提高，各种面向复杂应用背景的多源信息系统大量出现，迫使人们要对多种传感器和不同的信息源进行更有效的集成，以提高信息处理的自动化程度。因此，从20世纪70年代起，一个新兴的学科——多传感器(或多源)信息融合(Multisensor Data Fusion-MSDF，orMultisensor Information Fusion-MSIF)便迅速的发展起来，并在现代C4ISR(Command、Control、Communication、Computer、Intelligence、Surveillance、Reconnaissance)系统中和各种武器平台上以及许多民事领域得到了广泛的应用。

D-S证据理论在多传感器目标识别应用领域中有广泛的应用，我们可以把融合处理过程分为三个阶段：阶段一：各个传感器输出的信息通过数据预处理、特征提取、身份识别等过程得出各自的证据，这些证据包含的信息有：基本概率赋值函数BPA、信任函数BEL、似真度函数PL。阶段二：通过D-S证据组合规则，组合阶段一得出的所有证据，得出组合后的基本概率赋值函数BPA、信任函数BEL、似真度函数PL。阶段三：选取合适的决策方法得出最终的融合结果。

但D-S证据理论存在一些不容忽视的问题：①异常结论问题：证据严重冲突情况下，组合结果往往与实际情况不符，甚至得出有悖常理的结果。②一票否决问题：证据严重冲突情况下，组合结果出现一票否决的现象。用一句话描述即：那就是证据严重冲突情况下，融合结果不合理。

因此，如何在证据高度冲突下实现多源信息的有效融合是一个迫切需要解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种多传感器信息融合的目标识别方法，该方法采用以冲突焦元在局部冲突组合证据中所占的实际比值为权重，将冲突在产生冲突焦元中分解，从而解决了在目标识别过程中因证据严重冲突而带来的异常结论问题和一票否决问题，提高目标识别的正确率。

为达到上述目的，本发明提供如下技术方案：

一种多传感器信息融合的目标识别方法，该方法包括以下步骤：

S1：证据的获取：包括传感器信号获取以及输出信息的数据预处理、特征提取、身份识别过程，这些证据包含基本概率赋值函数BPA、信任函数BEL、似真度函数PL；

S2：证据的组合：包括通过D-S证据组合规则，组合步骤S1中得出的所有证据，得出组合后的基本概率赋值函数BPA、信任函数BEL、似真度函数PL；

S3：信息融合：包括选取合适的决策方法得出最终的融合结果。

进一步，在步骤S1中，所述的传感器信号获取，分为以下两种情况，可根据情况采取不同的传感器获取被测目标的信号：

1)图形景物信息的获取可利用电视摄像系统或者电荷耦合器件(Charge CoupledDevice，CCD)，将外界的图像景物信息进入电视摄像系统或电荷耦合器件变化的光通量转换成变化的电信号，再经A/D转换后进入计算机系统；

2)工程信号的获取采用工程上的专用传感器，将非电量信号或电信号转换成A/D转换器或计算机I/O口能接收的电信号，在计算机中进行处理。

进一步，在步骤S1中，所述的数据预处理，包括在信号获取过程中，一方面由于自然环境的影响，在检测到的信号中常常混用噪音；另一方面，经过A/D转换后的离散时间信号除含有原来的噪音外，又增加了A/D转换器的量化噪音；因此，在对多传感器信号融合处理前，常对传感器输出信号进行预处理，尽可能的去除这些噪音，提高信号的信噪比；信号预处理的方法主要包括去均值、滤波、消除趋势项、野点剔除。

进一步，在步骤S1中，所述的特征提取，从测量与计算代价和分类精度考虑，都希望能够减少特征维数(即特征数目)，即希望挑选实现最佳分类的数目少而且质量高的有效特征。这就涉及到特征提取和特征选择两个概念。如何从许多特征中找出对分类最有效的特征，同时尽最大可能减少特征维数，是特征提取和选择的主要任务。无论用计算机还是由人，任何识别过程的第一步，首先都要分析得到识别目标的各种有效特征并从中选出最有代表性的特征，即特征提取和特征选择。相关概念解释如下：

1)特征形成：根据被识别的目标得到一组基本特征，这些基本特征可以是计算出来的，也可以是传感器或仪表直接测量出来的，这样产生出来的特征叫做原始特征。从传感器获得的数据信息有的可直接作为目标的原始特征，如目标的雷达散射截面(RCS)、高度、温度等，有的特征需要经过计算才能得到原始特征，如目标的速度和加速度等。有些直接测量的数据信息并不能直接作为原始特征，例如，如果红外成像设备采集到的图像信息，其原始数据为像素点的颜色值矩阵，但很少有人用像素点的颜色值矩阵作为特征，需要经过计算方能产生一组原始特征。

2)特征提取：原始特征的数量可能很大，或者说样本是处于一个高维空间中，通过映射(变换)的方法可以用低维空间来表示样本，这个过程就叫特征提取；映射后的特征叫做二次特征，他们是原始特征的某种组合；特征提取在广义上讲就是指一种变换；可用于特征提取的主要算法有：按欧氏距离度量的特征提取方法、按欧氏距离判据的特征提取方法、按概率距离判据的特征提取方法、用散度准则函数的特征提取器、基于判别熵最小化的特征提取。

3)特征选择：从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，这个过程叫特征选择；可用于特征选择的主要算法有：最优搜索算法、次优搜索算法、模拟退火算法、Tabu搜索算法、遗传算法等。

另外值得注意的是：特征提取是从高维特征空间映射得到低维特征空间，新的特征和旧的特征并不相同；而特征选择是从高维特征中选择一部分特征组成低维特征空间，并不改变每个特征维度本身。

除去针对具体模式提取一些特定的特征外(比如对于图像信息，可以提取出它的轮廓特征、颜色特征、纹理特征、数学特征等)，目前有一些面向一般模式数据的特征提取方法，它们涉及线性与非线性映射两大类。线性映射的典型方法有：有具有特征矢量的、适合高斯分布的主分量分析(PCA)与线性判别分析方法(LDA)，有迭代的、适合非高斯分布的PCA网络、投影追踪、独立分量分析(ICA)与非线性PCA方法等。非线性映射的典型方法中，有具有特征矢量的核PCA、迭代的非线性自关联网络、多维缩放(MDS)与Sammon投影和自组织图方法等。

进一步，在步骤S1中，所述的身份识别过程，可采用如下三种方法：基于物理模型的识别算法、基于特征推理技术的识别算法、基于认识模型的识别算法。

进一步，在步骤S2中，设K_i为证据冲突信息的第i个组成部分，即K_i＝m₁(A₁)·····m_i(A)·····m_n(A_n)，其中，A_i为第i个待识别目标(i取值为1,2，……，n)；m是2^Θ上的概率分配函数，Θ表示目标X所有可能取值的一个集合；m_i是第i个待识别目标的概率分配函数，满足：

①

②

③∑K_i＝K

其中，K为证据冲突信息的所有组成部分；

为分配权重；

其中，是指待识别目标A所占证据冲突信息的权重；

所以，n个信息源的合成公式为：

其中，

进一步，在步骤S3中，所述选取合适的决策方法得出最终的融合结果，包括：设U是识别框架，m是基于D-S组合规则得到的组合后的基本概率赋值，则可以采用以下几种决策方法之一：

①决策方法1：基于信任函数的决策

1)根据组合后得到的m，求出信任函数，则该信任函数就是判决结果，这实际上是一种软判决；

2)若希望缩小真值的范围或者找出真值，则采用“最小点”原则求出真值，所谓“最小点”原则，是指对于集合A，信任函数为BEL(A)，若在集合A中，去掉某个元素后的集合设为B₁，信任函数为BEL(B₁)，且|BEL(B₁)-BEL(A)|＜ε，则认为可以去掉该元素，其中ε为预先设定的一个阀值；重复这个过程，直到某个子集B_k不能再按“最小点”原则去掉元素为止，则B_k即为判定结果；

②决策方法2：基于基本概率赋值的决策

设满足

$m\left(A_1\right)=max\{m\left(A_i\right),A_i\⋐U\}$

若有

$\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(U\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(U\right)\end{array}\right.$

则A₁即为判定结果，其中ε₁，ε₂为预先设定的门限；

③基于最小风险的决策

设有状态集S＝{x₁,…,x_q}，决策集A＝{a₁,…,a_p}，在状态为x_l时做出的决策a_i的风险函数为r(a_i,x_l)，i＝1,2,…,p，l＝1,2,…,q，有设有一批证据E在S上产生了一基本概率赋值；焦元为A₁,…,A_n，基本概率赋值函数为m(A₁),…,m(A_n)，令

$\stackrel{\&OverBar;}{r}(a_i,A_j)=\frac{1}{\left|A_j\right|}\underset{x_k\&Element;A_j}{\&Sigma;}r(a_i,x_k),i=1,2,\mathrm{...},p;j=1,2,\mathrm{...},n$

$R\left(a_i\right)=\underset{j=1}{\overset{n}{\&Sigma;}}\stackrel{\&OverBar;}{r}(a_i,A_j)m\left(A_j\right)$

若使得则a_k即为所求的最优决策。

本发明的有益效果在于：本发明采用了以冲突焦元在局部冲突组合证据中所占的实际比值为权重的方法，将冲突在产生冲突焦元中分解，解决了全局分配策略中冲突信息分配给所有的焦元(或者称为子集)这一不符合实际的情况，从而很好的解决了在目标识过程中因证据严重冲突而带来的异常结论问题和一票否决问题。进而得出更理想的合成结果，能够提高目标识别的正确率。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为基于D-S证据理论的多传感器目标识别融合系统框架图；

图2为基于修改组合规则的新方法流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本发明提出的一种多传感器信息融合的目标识别方法，基于局部冲突分配策略的组合规则算法，具体包括以下步骤：证据的获取、证据的组合及信息融合。所述证据的获取包括传感器信号获取以及输出信息的数据预处理、特征提取、身份识别等过程，这些证据包含基本概率赋值函数BPA、信任函数BEL、似真度函数PL；所述证据的组合，包括通过D-S证据组合规则，组合证据的获取中得出的所有证据，得出组合后的基本概率赋值函数BPA、信任函数BEL、似真度函数PL；所述信息融合包括选取合适的决策方法得出最终的融合结果。

图1为基于D-S证据理论的多传感器目标识别融合系统框架图，如图所示，具体实施方式为：

步骤一：传感器信号获取，分为以下两种情况，可根据情况采取不同的传感器获取被测目标的信号；1)图形景物信息的获取一般可利用电视摄像系统或者电荷耦合器件(Charge Coupled Device，CCD)，将外界的图像景物信息进入电视摄像系统或电荷耦合器件变化的光通量转换成变化的电信号，再经A/D转换后进入计算机系统；2)工程信号的获取一般采用工程上的专用传感器，将非电量信号或电信号转换成A/D转换器或计算机I/O口能接收的电信号，在计算机中进行处理。

步骤二：数据预处理，尽可能去除数据中自然环境下的噪音和量化噪音，提高信号的信噪比；信号预处理的方法主要有去均值、滤波、消除趋势项、野点剔除等。

步骤三：特征提取，原始特征的数量可能很大，或者说样本是处于一个高维空间中，通过映射(变换)的方法可以用低维空间来表示样本，这个过程就叫特征提取；映射后的特征叫做二次特征，他们是原始特征的某种组合；特征提取在广义上讲就是指一种变换；可用于特征提取的主要算法有：按欧氏距离度量的特征提取方法、按欧氏距离判据的特征提取方法、按概率距离判据的特征提取方法、用散度准则函数的特征提取器、基于判别熵最小化的特征提取。

步骤四：特征选择，从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，这个过程叫特征选择；可用于特征选择的主要算法有：最优搜索算法、次优搜索算法、模拟退火算法、Tabu搜索算法、遗传算法等。所述的身份识别算法，可以采用如下三种方法：基于物理模型的识别算法、基于特征推理技术的识别算法、基于认识模型的识别算法。

图2为基于修改组合规则的新方法流程图，如图所示：

步骤一：设K_i为证据冲突信息的第i个组成部分，即K_i＝m₁(A₁)·····m_i(A)·····m_n(A_n)，满足：

①

②

③∑K_i＝K

其中，为分配权重

其中，

步骤二：综上，n个信息源的合成公式为：

其中，

步骤三：采用基于基本概率赋值的决策方法

设满足

$m\left(A_1\right)=max\{m\left(A_i\right),A_i\&Subset;U\}$

若有

$\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(U\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(U\right)\end{array}\right.$

则A₁即为判定结果，其中ε₁，ε₂为预先设定的门限。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.一种多传感器信息融合的目标识别方法，其特征在于：该方法包括以下步骤：

S1：证据的获取：包括传感器信号获取以及输出信息的数据预处理、特征提取、身份识别过程，这些证据包含基本概率赋值函数BPA、信任函数BEL、似真度函数PL；

S2：证据的组合：包括通过D-S证据组合规则，组合步骤S1中得出的所有证据，得出组合后的基本概率赋值函数BPA、信任函数BEL、似真度函数PL；

S3：信息融合：包括选取合适的决策方法得出最终的融合结果。

2.根据权利要求1所述的一种多传感器信息融合的目标识别方法，其特征在于：在步骤S1中，所述的传感器信号获取，分为以下两种情况，可根据情况采取不同的传感器获取被测目标的信号：

1)图形景物信息的获取可利用电视摄像系统或者电荷耦合器件(Charge CoupledDevice，CCD)，将外界的图像景物信息进入电视摄像系统或电荷耦合器件变化的光通量转换成变化的电信号，再经A/D转换后进入计算机系统；

2)工程信号的获取采用工程上的专用传感器，将非电量信号或电信号转换成A/D转换器或计算机I/O口能接收的电信号，在计算机中进行处理。

3.根据权利要求1所述的一种多传感器信息融合的目标识别方法，其特征在于：在步骤S1中，所述的数据预处理，包括在信号获取过程中，一方面由于自然环境的影响，在检测到的信号中常常混用噪音；另一方面，经过A/D转换后的离散时间信号除含有原来的噪音外，又增加了A/D转换器的量化噪音；因此，在对多传感器信号融合处理前，常对传感器输出信号进行预处理，尽可能的去除这些噪音，提高信号的信噪比；信号预处理的方法主要包括去均值、滤波、消除趋势项、野点剔除。

4.根据权利要求1所述的一种多传感器信息融合的目标识别方法，其特征在于：在步骤S1中，所述的身份识别过程，可采用如下三种方法：基于物理模型的识别算法、基于特征推理技术的识别算法、基于认识模型的识别算法。

5.根据权利要求1所述的一种多传感器信息融合的目标识别方法，其特征在于：在步骤S2中，设K_i为证据冲突信息的第i个组成部分，即K_i＝m₁(A₁)·…·m_i(A)·…·m_n(A_n)，其中，A_i为第i个待识别目标(i取值为1,2，……，n)；m是2^Θ上的概率分配函数，Θ表示目标X所有可能取值的一个集合；m_i是第i个待识别目标的概率分配函数，满足：

①

②

③∑K_i＝K

其中，K为证据冲突信息的所有组成部分；

为分配权重；

其中，是指待识别目标A所占证据冲突信息的权重；

所以，n个信息源的合成公式为：

其中，

6.根据权利要求5所述的一种多传感器信息融合的目标识别方法，其特征在于：在步骤S3中，所述选取合适的决策方法得出最终的融合结果，包括：设U是识别框架，m是基于D-S组合规则得到的组合后的基本概率赋值，则可以采用以下几种决策方法之一：

①决策方法1：基于信任函数的决策

1)根据组合后得到的m，求出信任函数，则该信任函数就是判决结果，这实际上是一种软判决；

2)若希望缩小真值的范围或者找出真值，则采用“最小点”原则求出真值，所谓“最小点”原则，是指对于集合A，信任函数为BEL(A)，若在集合A中，去掉某个元素后的集合设为B₁，信任函数为BEL(B₁)，且|BEL(B₁)-BEL(A)|＜ε，则认为可以去掉该元素，其中ε为预先设定的一个阀值；重复这个过程，直到某个子集B_k不能再按“最小点”原则去掉元素为止，则B_k即为判定结果；

②决策方法2：基于基本概率赋值的决策

设满足

$m\left(A_1\right)=max\{m\left(A_i\right),A_i\&Subset;U\}$

若有

$\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(U\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(U\right)\end{array}\right.$

则A₁即为判定结果，其中ε₁，ε₂为预先设定的门限；

③基于最小风险的决策

设有状态集S＝{x₁,…,x_q}，决策集A＝{a₁,…,a_p}，在状态为x_l时做出的决策a_i的风险函数为r(a_i,x_l)，i＝1,2,…,p，l＝1,2,…,q，有设有一批证据E在S上产生了一基本概率赋值；焦元为A₁,…,A_n，基本概率赋值函数为m(A₁),…,m(A_n)，令

$\stackrel{\&OverBar;}{r}(a_i,A_j)=\frac{1}{\left|A_j\right|}\underset{x_k\&Element;A_j}{\&Sigma;}r(a_i,x_k),i=1,2,...,p;j=1,2,...,n$

$R\left(a_i\right)=\underset{j=1}{\overset{n}{\&Sigma;}}\stackrel{\&OverBar;}{r}(a_i,A_j)m\left(A_j\right)$

若使得则a_k即为所求的最优决策。