CN109977763B - 一种基于改进证据信任度的空中小目标识别方法 - Google Patents

一种基于改进证据信任度的空中小目标识别方法 Download PDF

Info

Publication number
CN109977763B
CN109977763B CN201910108544.2A CN201910108544A CN109977763B CN 109977763 B CN109977763 B CN 109977763B CN 201910108544 A CN201910108544 A CN 201910108544A CN 109977763 B CN109977763 B CN 109977763B
Authority
CN
China
Prior art keywords
evidence
evidences
trust
recognition device
identification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910108544.2A
Other languages
English (en)
Other versions
CN109977763A (zh
Inventor
孙力帆
常玉婷
刘剑锋
俞皓芳
普杰信
付主木
陶发展
冀保峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201910108544.2A priority Critical patent/CN109977763B/zh
Publication of CN109977763A publication Critical patent/CN109977763A/zh
Application granted granted Critical
Publication of CN109977763B publication Critical patent/CN109977763B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/257—Belief theory, e.g. Dempster-Shafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

一种基于改进证据信任度的空中小目标识别方法，包括：S1、识别装置通过多个传感器对空中小目标进行探测，获取探测数据；S2、识别装置根据探测数据提取若干个证据；S3、识别装置利用Jousselme证据距离描述所有证据之间的证据冲突，得到冲突度；S4、识别装置基于冲突度将所有证据均转化为加权均值证据；S5、识别装置计算每个证据与其对应的加权均值证据的自适应相似度；S6、识别装置将每个证据的自适应相似度转化为层间信任度，并且将层间信任度作为证据的权重；S7、识别装置根据证据的权重将证据转化为修正证据；S8、识别装置基于D‑S证据理论对所有修正证据进行融合从而识别空中小目标。

Description

一种基于改进证据信任度的空中小目标识别方法
技术领域
本发明涉及目标识别技术领域，具体的说是一种基于改进证据信任度的空中小目标识别方法。
背景技术
目标识别技术的飞速发展使得其不仅被广泛应用在用于身份确认的指纹识别、用于门禁系统的人脸识别、虹膜识别、用于特定物体跟踪的目标识别与跟踪以及智能交通管理、机动车检测、停车场管理等场合的车牌识别等民用领域，而且在军事领域也发挥着举足轻重的作用。随着军事科技水平不断进步，现代作战系统要求在复杂战场环境中能够准确快速地识别空中小目标。特别是当在目标与传感器间隔距离较远时，即在所谓的小目标阶段就能检测和识别目标，以便对其进行有效的跟踪和精确打击。
在军事领域，目标识别技术主要表现为识别装置利用多个传感器获得空中小目标的多种信息来对空中小目标的身份进行判断，以此作为作战指挥辅助决策的重要依据。通常识别装置可以是固定装置或者移动装置，固定装置如雷达站等，移动装置如战斗机等。
目标识别技术的重点是融合信息、消除多传感器之间可能存在的冗余和矛盾，降低信息的不确定性，最终获得未知目标的类属。目前，对于目标识别技术的研究主要基于不确定信息融合技术的两种方法，分别是贝叶斯概率理论和D-S证据理论。D-S证据理论能很好地解决不确定性问题，需要满足的条件比贝叶斯概率理论更弱，并且具有很好的数学基础，所以在处理目标识别的相关问题上有较大的优越性(请参考Dempster A P.Upper andlower probabilities induced by a multi-valued mapping[J].Annals ofMathematical Statis-tics，1967，38(2):325-339.)。但在证据间存在高冲突或者完全冲突的情况下，直接利用原始的Dempster合成规则进行证据融合将可能产生与直觉相悖的不合理结果，甚至会出现目标对象的错误识别。
此外，相关学者也提出了一些新的方法，具体如下。
(1)YAGER R.On the Dempster-Shafer framework and new combination rules[J].Information Science,1989,41(2):93-137.。
(2)MURPHY C.Combining belief functions when evidence conflicts[J].Decision SupportSystems,2000,29(1):1-9.。
(3)邓勇,施文康,朱振福.一种有效处理冲突证据的组合方法[J].红外与毫米波学报,2004,23(1):27-32.。
这些方法对D-S证据理论进行了进一步优化，但是效果仍然比较有限，主要表现在需要大量证据和多次证据融合过程才能得出结果，在实际应用时运行速度慢，并且资源消耗大，导致应用受限。
发明内容
为了解决现有技术中的不足，本发明提供一种基于改进证据信任度的空中小目标识别方法，通过改善对证据信任度的计算实现快速、准确地识别空中小目标。
为了实现上述目的，本发明采用的具体方案为：一种基于改进证据信任度的空中小目标识别方法，包括如下步骤：
S1、识别装置通过多个传感器对空中小目标进行探测，获取探测数据；
S2、识别装置根据探测数据提取若干个证据；
S3、识别装置利用Jousselme证据距离描述所有证据之间的证据冲突，得到冲突度；
S4、识别装置基于冲突度将所有证据均转化为加权均值证据；
S5、识别装置计算每个证据与其对应的加权均值证据的自适应相似度；
S6、识别装置将每个证据的自适应相似度转化为层间信任度，并且将层间信任度作为证据的权重；
S7、识别装置根据证据的权重将证据转化为修正证据；
S8、识别装置基于D-S证据理论对所有修正证据进行融合从而识别空中小目标。
作为一种优选方案，S2中，定义辨识框架为Θ＝{A1,A2,…,An}，Ak,1≤k≤n表示空中小目标类别，任一传感器的探测数据对应的证据表示为mi(Ak)；
S3中，识别装置描述两个证据之间的证据冲突的具体方法为：
Figure BDA0001967249930000021
式中d为冲突度，
Figure BDA0001967249930000022
为冲突矩阵。
作为一种优选方案，S4的具体方法包括：
S4.1、识别装置将证据之间的冲突度dij(Ak)转化为证据之间的基础相似度sij(Ak)，具体方法为：
sij(Ak)＝1-dij(Ak)；
S4.2、识别装置根据sij(Ak)计算证据mj(Ak)对证据mi(Ak)的层内信任度tij(Ak)，具体方法为：
Figure BDA0001967249930000031
S4.3、识别装置根据除mi(Ak)外所有证据对mi(Ak)的层内信任度将mi(Ak)转化为加权均值证据
Figure BDA0001967249930000032
具体方法为：
Figure BDA0001967249930000033
作为一种优选方案，S5的具体方法为：
Figure BDA0001967249930000034
式中，supi(Ak)为证据mi(Ak)与
Figure BDA0001967249930000035
的自适应相似度。
作为一种优选方案，S6中，识别装置计算每个证据的层间信任度的方法为：
Figure BDA0001967249930000036
式中，crei(Ak)为识别装置对mi(Ak)的层间信任度。
作为一种优选方案，S7的具体方法包括：
S7.1、计算
Figure BDA0001967249930000037
S7.2、计算
Figure BDA0001967249930000038
mmean(Ak)为修正证据。
作为一种优选方案，S8中，融合方法为：
Figure BDA0001967249930000039
式中，
Figure BDA00019672499300000310
K为冲突系数，并且有
Figure BDA00019672499300000311
有益效果：
1、本发明根据证据间的冲突得出加权均值，与现有技术中直接将证据算数平均的方法相比更具有可靠性，更能代表证据的平均水平；
2、本发明通过对证据信任度的优化，对不同证据的权重进行合理分配，从而加快了收敛速度，提高了目标识别的准确性。
附图说明
图1是本发明的流程图；
图2是本发明在仿真实验一中正确识别空中小目标与融合次数的关联关系示意图；
图3是本发明在仿真实验二中正确识别空中小目标与融合次数的关联关系示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1，一种基于改进证据信任度的空中小目标识别方法，包括S1至S8。
S1、识别装置通过多个传感器对空中小目标进行探测，获取探测数据。
S2、识别装置根据探测数据提取若干个证据，定义辨识框架为Θ＝{A1,A2,…,An}，Ak,1≤k≤n表示空中小目标类别，任一传感器的探测数据对应的证据表示为mi(Ak)。
S3、识别装置利用Jousselme证据距离描述所有证据之间的证据冲突，得到冲突度，
具体方法为：
Figure BDA0001967249930000041
式中d为冲突度，
Figure BDA0001967249930000042
为冲突矩阵。
S4、识别装置基于冲突度将所有证据均转化为加权均值证据，具体方法包括S4.1至S4.3。
S4.1、识别装置将证据之间的冲突度dij(Ak)转化为证据之间的基础相似度sij(Ak)，具体方法为：
sij(Ak)＝1-dij(Ak)。
S4.2、识别装置根据sij(Ak)计算证据mj(Ak)对证据mi(Ak)的层内信任度tij(Ak)，具体方法为：
Figure BDA0001967249930000051
S4.3、识别装置根据除mi(Ak)外所有证据对mi(Ak)的层内信任度将mi(Ak)转化为加权均值证据
Figure BDA0001967249930000052
具体方法为：
Figure BDA0001967249930000053
S5、识别装置计算每个证据与其对应的加权均值证据的自适应相似度，具体方法为：
Figure BDA0001967249930000054
式中，supi(Ak)为证据mi(Ak)与
Figure BDA0001967249930000055
的自适应相似度。
S6、识别装置将每个证据的自适应相似度转化为层间信任度，并且将层间信任度作为证据的权重。识别装置计算每个证据的层间信任度的方法为：
Figure BDA0001967249930000056
式中，crei(Ak)为识别装置对mi(Ak)的层间信任度。
S7、识别装置根据证据的权重将证据转化为修正证据，具体方法包括S7.1至S7.2。
S7.1、计算
Figure BDA0001967249930000057
S7.2、计算
Figure BDA0001967249930000058
mmean(Ak)为修正证据。
S8、识别装置基于D-S证据理论对所有修正证据进行融合从而识别空中小目标，融合方法为：
Figure BDA0001967249930000061
式中，
Figure BDA0001967249930000062
K为冲突系数，并且有
Figure BDA0001967249930000063
K的大小反映了同一辨识框架下证据之间的冲突程度。
为了验证本发明的效果，设定如下两个仿真实验。
仿真实验一。
假设辨识框架Θ＝{A1,A2,A3}，其中，A1为轰炸机，A2为导弹，A3为预警机，识别装置具有四个传感器，分别是红外(IR)、雷达(RADAR)、光电(EO)和电子支援设施(ESM)。各个传感器探测结果的可靠性结果不同，其探测结果数据都是相互独立的。通过四种传感器，分别获得了证据E1、E2、E3、E4，四个证据对应的BPA(基本概率分布)分别为：
Figure BDA0001967249930000064
四个证据只涉及单子集命题，并且没有冲突证据，这四个证据均对A1的基本概率分配最高，因此理论上目标识别结果更倾向于A1。
本发明与几种现有技术的BPA对比如表1和表2所示。
Figure BDA0001967249930000065
表1在只取E1、E2和E3三个证据和融合两次的情况下各方法的BPA对比结果。
Figure BDA0001967249930000066
表2在取四个证据和融合三次的情况下各方法的BPA对比结果。
请参阅图2。
从表1可以看出，本发明在目标识别证据个数为三、融合两次时即可有效识别，且识别率高达0.9929，从表2可以看出，在有四个证据时Yeger也不能做出正确的识别，而本发明的识别率高达0.9995。因此可知本发明简单有效，收敛速度快，且BPM较高，可以降低融合次数，减少计算复杂度。
仿真实验二。
假设利用四种传感器对民航机、轰炸机和战斗机3类目标进行识别，将探测数据证据化获得相互独立的识别证据，其中，证据理论的辨识框架为：Θ＝{A1：民航机，A2：轰炸机，A3：战斗机}。通过四种传感器，分别获得了证据E1、E2、E3、E4，四个证据对应的BPA分别为：
Figure BDA0001967249930000071
四个证据中只涉及单子集命题，其中证据E2属于冲突证据，其余三个证据均对A1的基本概率分配最高，因此理论上目标识别的结果更倾向于A1。
本发明与几种现有技术的BPA对比如表3和表4所示。
Figure BDA0001967249930000072
表格3在只取E1、E2和E3三个证据和融合两次的情况下各方法的BPA对比结果。
Figure BDA0001967249930000073
表格4在取四个证据和融合三次的情况下各种方法的BPA对比结果。
请参阅图3。
从表3可以看出，在有冲突证据并且只有三个证据时，只有本发明做出了正确的识别。从表4可以看出，在有四个证据时，虽然Murphy和邓勇方法也能做出正确的识别，本发明的BPM值更高。因此可知即使在有冲突的情况下，本发明也能做出正确的识别，收敛速度也比更快，而且能够降低融合次数，减少资源消耗。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种基于改进证据信任度的空中小目标识别方法，其特征在于：包括如下步骤：
S1、识别装置通过多个传感器对空中小目标进行探测，获取探测数据；
S2、识别装置根据探测数据提取若干个证据；
S3、识别装置利用Jousselme证据距离描述所有证据之间的证据冲突，得到冲突度；
S4、识别装置基于冲突度将所有证据均转化为加权均值证据；
S5、识别装置计算每个证据与其对应的加权均值证据的自适应相似度；
S6、识别装置将每个证据的自适应相似度转化为层间信任度，并且将层间信任度作为证据的权重；
S7、识别装置根据证据的权重将证据转化为修正证据；
S8、识别装置基于D-S证据理论对所有修正证据进行融合从而识别空中小目标。
2.如权利要求1的一种基于改进证据信任度的空中小目标识别方法，其特征在于：
S2中，定义辨识框架为Θ＝{A1,A2,…,An}，Ak,1≤k≤n表示空中小目标类别，任一传感器的探测数据对应的证据表示为mi(Ak)；
S3中，识别装置描述两个证据之间的证据冲突的具体方法为：
Figure FDA0001967249920000011
式中d为冲突度，
Figure FDA0001967249920000012
为冲突矩阵。
3.如权利要求2的一种基于改进证据信任度的空中小目标识别方法，其特征在于：S4的具体方法包括：
S4.1、识别装置将证据之间的冲突度dij(Ak)转化为证据之间的基础相似度sij(Ak)，具体方法为：
sij(Ak)＝1-dij(Ak)；
S4.2、识别装置根据sij(Ak)计算证据mj(Ak)对证据mi(Ak)的层内信任度tij(Ak)，具体方法为：
Figure FDA0001967249920000013
S4.3、识别装置根据除mi(Ak)外所有证据对mi(Ak)的层内信任度将mi(Ak)转化为加权均值证据
Figure FDA0001967249920000014
具体方法为：
Figure FDA0001967249920000021
4.如权利要求3的一种基于改进证据信任度的空中小目标识别方法，其特征在于：S5的具体方法为：
Figure FDA0001967249920000022
式中，supi(Ak)为证据mi(Ak)与
Figure FDA0001967249920000023
的自适应相似度。
5.如权利要求4的一种基于改进证据信任度的空中小目标识别方法，其特征在于：S6中，识别装置计算每个证据的层间信任度的方法为：
Figure FDA0001967249920000024
式中，crei(Ak)为识别装置对mi(Ak)的层间信任度。
6.如权利要求5的一种基于改进证据信任度的空中小目标识别方法，其特征在于：S7的具体方法包括：
S7.1、计算
Figure FDA0001967249920000025
S7.2、计算
Figure FDA0001967249920000026
mmean(Ak)为修正证据。
7.如权利要求6的一种基于改进证据信任度的空中小目标识别方法，其特征在于：S8中，融合方法为：
Figure FDA0001967249920000027
式中，
Figure FDA0001967249920000028
K为冲突系数，并且有
Figure FDA0001967249920000029
CN201910108544.2A 2019-02-03 2019-02-03 一种基于改进证据信任度的空中小目标识别方法 Active CN109977763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910108544.2A CN109977763B (zh) 2019-02-03 2019-02-03 一种基于改进证据信任度的空中小目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910108544.2A CN109977763B (zh) 2019-02-03 2019-02-03 一种基于改进证据信任度的空中小目标识别方法

Publications (2)

Publication Number Publication Date
CN109977763A CN109977763A (zh) 2019-07-05
CN109977763B true CN109977763B (zh) 2022-10-04

Family

ID=67076917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910108544.2A Active CN109977763B (zh) 2019-02-03 2019-02-03 一种基于改进证据信任度的空中小目标识别方法

Country Status (1)

Country Link
CN (1) CN109977763B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325277B (zh) * 2020-02-26 2020-11-17 中国人民解放军军事科学院评估论证研究中心 目标识别中基于协商策略的信息融合方法
CN111401210B (zh) * 2020-03-11 2023-08-04 北京航天自动控制研究所 一种基于模板框增广的提高小目标检测稳定性的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021392A (zh) * 2014-01-27 2014-09-03 河南大学 一种基于向量度量的冲突证据融合方法
CN108428008A (zh) * 2018-02-08 2018-08-21 河南科技大学 一种d-s证据理论中基于优化证据距离的证据融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391682B (zh) * 2017-07-24 2020-06-09 京东方科技集团股份有限公司 知识验证方法、知识验证设备以及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021392A (zh) * 2014-01-27 2014-09-03 河南大学 一种基于向量度量的冲突证据融合方法
CN108428008A (zh) * 2018-02-08 2018-08-21 河南科技大学 一种d-s证据理论中基于优化证据距离的证据融合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于改进证据理论的多传感器目标识别;朱江乐等;《火力与指挥控制》;20130815(第08期);全文 *
基于证据加权融合的改进D-S目标识别算法;郭伟震等;《鲁东大学学报(自然科学版)》;20160115(第01期);全文 *

Also Published As

Publication number Publication date
CN109977763A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN110796168B (zh) 一种基于改进YOLOv3的车辆检测方法
CN1389710A (zh) 多传感器多目标信息融合方法
CN114972418A (zh) 基于核自适应滤波与yolox检测结合的机动多目标跟踪方法
CN109977763B (zh) 一种基于改进证据信任度的空中小目标识别方法
Chen et al. YOLOv5‐Based Vehicle Detection Method for High‐Resolution UAV Images
CN110927712A (zh) 跟踪方法和装置
Muresan et al. Multi-object tracking of 3D cuboids using aggregated features
CN110633643A (zh) 一种面向智慧社区的异常行为检测方法及系统
Liu et al. Object classification based on enhanced evidence theory: Radar–vision fusion approach for roadside application
CN104392459A (zh) 基于改进的fcm和均值漂移的红外图像分割方法
WO2018227491A1 (zh) 视频多目标模糊数据关联方法及装置
CN111784744A (zh) 一种基于视频监控的目标自动检测与跟踪方法
CN110008985A (zh) 基于改进d-s证据理论规则的舰载机群目标识别方法
CN103093238A (zh) 基于d-s证据理论的视觉词典构建方法
Ma et al. Deconvolution Feature Fusion for traffic signs detection in 5G driven unmanned vehicle
CN113537411B (zh) 一种基于毫米波雷达的改进模糊聚类方法
Cheng et al. Moving Target Detection Technology Based on UAV Vision
CN111126504A (zh) 多源不完备信息融合图像目标分类方法
CN112861871A (zh) 一种基于目标边界定位的红外目标检测方法
Zhai et al. Target Detection of Low‐Altitude UAV Based on Improved YOLOv3 Network
CN112818964A (zh) 基于FoveaBox无锚神经网络的无人机检测方法
CN115331120A (zh) 一种无人机目标人员跟踪方法及系统
Magnier et al. Implementation of a multi-criteria tracking based on the Dempster-Shafer Theory
Deng et al. Robust target detection, position deducing and tracking based on radar camera fusion in transportation scenarios
Laghmara et al. Evidential object association using heterogeneous sensor data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant