CN111353450A - 一种基于异构电磁感知信息融合的目标识别系统和方法 - Google Patents
一种基于异构电磁感知信息融合的目标识别系统和方法 Download PDFInfo
- Publication number
- CN111353450A CN111353450A CN202010150436.4A CN202010150436A CN111353450A CN 111353450 A CN111353450 A CN 111353450A CN 202010150436 A CN202010150436 A CN 202010150436A CN 111353450 A CN111353450 A CN 111353450A
- Authority
- CN
- China
- Prior art keywords
- target
- fusion
- sensor
- identification
- track
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008447 perception Effects 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000000875 corresponding effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008713 feedback mechanism Effects 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于异构电磁感知信息融合的目标识别系统和方法,采用异构电磁感知信息融合算法,同时在决策级和特征级进行融合,并引入反馈机制提高目标识别的可靠性和稳定性,对复杂的电磁环境具有更强的适应能力。本发明的方法包括:首先由各传感器子网处理各自的传感器数据,形成对目标的初步识别,对各个异构传感器给出统一格式的识别信息;其次进行航迹模糊关联,将关联度超过一定门限的航迹归为同一目标;然后对归为同一目标的传感器信息进行融合,获得融合后的目标航迹和目标参数特征以及决策级目标识别结果;最后利用融合后的目标参数特征重新进行目标识别,生成基于异构电磁感知信息融合的目标识别结果。
Description
技术领域:
本发明涉及目标识别技术领域,特别是涉及一种基于异构电磁感知信息融合的目标识别系统和方法。
背景技术:
随着信息技术的广泛应用,装载各种雷达及通信辐射源的战场目标(如飞机、舰船等) 日益增多,使得当今战场电磁环境的目标识别日趋复杂。为应对这一挑战,电磁环境传感器的数量和种类也在不断增加。与单传感器相比,异构电磁传感器系统有更强的生存能力、更宽的空间和时间覆盖范围、更准确的情报和更高的可信度。但同时,异构电磁传感器系统的复杂性也大大增加,由此带来一些不利因素。如何将各个传感器的数据和处理结果进行有效融合仍然是战场电磁感知面临的主要问题之一。
异构电磁感知信息融合的基本原理是利用多传感器来获得被测目标的运动状态及身份特征等信息,然后在空间或时间上对各种信息进行合理的组合,从而获得更准确的感知情报。信息融合算法主要可分为嵌入约束法、证据组合方法和神经网络方法。其中,嵌入约束法认为各传感器信息是目标通过某种映射得到的像,而信息融合就是要通过多个像求解原像。这要求对信息源的物理规律性及其与传感器的关系有明确了解,限制了其信息融合的应用范围,也往往面临计算复杂度高的问题。证据组合方法将各传感器感知结果视为不同证据,通过联合证据计算对某决策的总支持度,从而实现信息融合。该方法需要各证据有恰当的信任度,对预处理及特征提取有较高要求,容易产生误差积累,并且一般仅仅在决策级进行融合。神经网络方法能够拟合复杂的非线性映射,但是当训练样本不足或环境变化时其效能会下降,在独立完成信息融合时难以兼顾灵活性和针对性,对实际环境的适应能力不强,不适合直接构建单一的庞大系统。
发明内容:
为了克服现有技术存在的不足,本发明提供一种基于异构电磁感知信息融合的目标识别系统和方法,采用异构电磁感知信息融合算法,同时在决策级和特征级进行融合,并引入反馈机制提高目标识别的可靠性和稳定性,对复杂的电磁环境具有更强的适应能力。
本发明的技术方案是:
1.一种基于异构电磁感知信息融合的目标识别方法,其特征在于,首先对各传感器子网的传感器数据进行处理,形成对目标的初步识别,对各个异构传感器给出统一格式的识别信息;其次进行航迹模糊关联,将关联度超过一定门限的航迹归为同一目标;然后对归为同一目标的传感器信息进行融合,获得融合后的目标航迹和目标参数特征以及决策级目标识别结果;最后利用融合后的目标参数特征重新进行目标识别,将同一目标的决策级目标识别结果和基于融合后目标参数特征进行识别的特征级目标识别结果进行对比,生成基于异构电磁感知信息融合的目标识别结果。
2.所述方法包括以下步骤:
(1)对各传感器子网的传感器数据进行处理,得到目标运动状态、目标参数特征、目标身份识别结果以及相应的识别置信度;
(2)对各传感器得到的航迹进行模糊关联,设置关联度门限,判断属于同一目标平台的航迹;
(3)对同一目标的航迹、目标参数特征和目标识别结果进行融合,得到融合后的目标航迹、目标参数特征以及基于决策级融合的目标识别结果;
(4)基于融合后的目标特征参数重新进行目标识别,得到基于特征级融合的目标识别结果;
(5)将基于特征级融合和基于决策级融合的两种目标识别结果进行目标一致性检验,若检验未通过,则返回步骤(2),调整关联度门限,重新进行航迹关联;若检验通过,则生成融合识别结果。
3.步骤(1)中,各传感器子网利用自身的感知器件提取目标特征参数,基于自身的定位系统完成对目标的定位,得到目标不同时刻的位置信息;通过单传感器Kalman滤波的方式进行目标运动状态估计,得到目标航迹;采取概率输出的形式进行身份识别,即对不同目标给出识别置信度,采用经典的概率匹配方法或神经网络方法。
4.步骤(2)中,所述对各传感器得到的航迹进行模糊关联,判断属于同一目标平台的航迹的步骤包括:21)对不同航迹的采样点进行插值,统一数据采集时刻;22)建立航迹之间的模糊因素集;23)利用模糊因素集计算不同航迹的模糊因素、隶属度、综合相似度,得到模糊关联矩阵;24)利用编网聚类的方法识别相互关联的航迹。
5.步骤(3)中,所述对同一目标的航迹、目标参数特征和目标识别结果进行融合的步骤包括:31)航迹融合:对关联航迹插值前的数据取并集,得到目标的非均匀运动序列,然后合并时间间隔较小的数据点;32)特征融合:对关联航迹对应传感器获取的参数特征进行融合,方法是首先对不同属性特征取并集,然后对于相同属性特征,若特征为连续型变量,则取数值平均;若特征为离散型变量,则对离散数值取并集,并对集合中的相近数值取平均; 33)识别结果融合:采取D-S证据理论对关联航迹下各传感器的目标识别结果进行融合,其中各传感器的置信度函数用特征子集的权重进行加权。
6.一种基于异构电磁感知信息融合的目标识别系统,其特征在于,包括传感器子网数据处理模块、航迹关联模块、信息融合模块以及识别结果输出模块;所述传感器子网数据处理模块用于处理各自的传感器数据,形成对目标的初步识别,所述航迹关联模块用于对各传感器得到的航迹进行模糊关联,将关联度超过一定门限的航迹归为同一目标;所述信息融合模块用于对归为同一目标的传感器信息进行融合,获得融合后的目标航迹和目标参数特征以及决策级目标识别结果;所述识别结果输出模块用于利用融合后的目标参数特征重新进行目标识别,将同一目标的决策级目标识别结果和基于融合后目标参数特征进行识别的特征级目标识别结果进行对比,生成基于异构电磁感知信息融合的目标识别结果。
7.所述传感器子网数据处理模块包括目标运动状态获取单元、目标参数特征获取单元、目标身份识别结果获取单元,分别用于获得目标运动状态、目标参数特征、目标身份识别结果以及相应的识别置信度。
8.所述航迹关联模块包括模糊因素集建立单元、综合相似度计算单元、航迹关联单元,分别用于建立航迹之间的模糊因素集,计算不同航迹的模糊因素、隶属度、综合相似度,得到模糊关联矩阵、识别相互关联的航迹。
9.所述信息融合模块包括航迹融合单元、特征融合单元、决策级融合目标识别单元,分别用于获得融合后的目标航迹和目标参数特征以及决策级目标识别结果。
10.所述识别结果输出模块包括特征级融合目标识别单元、目标一致性检验单元、识别结果输出单元,分别用于获得特征级目标识别结果、两种目标识别结果的目标一致性检验、检验通过后输出融合识别结果。
本发明的有益效果是:
本发明提供一种基于异构电磁感知信息融合的目标识别系统和方法,采用异构电磁感知信息融合算法,同时在决策级和特征级进行融合,并引入反馈机制提高目标识别的可靠性和稳定性,对复杂的电磁环境具有更强的适应能力。
本发明充分利用各传感器的输出结果,对各传感器输出的目标特征参数执行特征级融合,对各传感器输出的目标识别结果执行决策级融合,然后将两种融合结果进行对比,并通过调整关联度门限以反馈的方式保证融合结果的可靠性和稳定性。
附图说明:
图1是本发明基于异构电磁感知信息融合的目标识别方法流程图;
图2是航迹关联流程示意图;
图3是信息融合流程示意图。
具体实施方式:
以下结合附图对本发明的实施例作进一步详细说明。
如图1所示,是本发明基于异构电磁感知信息融合的目标识别方法流程图。
一种基于异构电磁感知信息融合的目标识别方法,首先对各传感器子网的传感器数据进行处理,形成对目标的初步识别,对各个异构传感器给出统一格式的识别信息;其次进行航迹模糊关联,将关联度超过一定门限的航迹归为同一目标;然后对归为同一目标的传感器信息进行融合,获得融合后的目标航迹和目标参数特征以及决策级目标识别结果;最后利用融合后的目标参数特征重新进行目标识别,将同一目标的决策级目标识别结果和基于融合后目标参数特征进行识别的特征级目标识别结果进行对比,生成基于异构电磁感知信息融合的目标识别结果。
本发明方法中,各传感器子网首先处理各自的传感器数据,形成对目标的初步识别,包括目标位置和速度等运动状态、目标参数特征、目标身份以及做出判断的置信度。这一过程并行执行,各个异构传感器给出统一格式的识别信息。其次进行航迹模糊关联,将关联度超过一定门限的航迹归为同一目标。第三步对同一目标的传感器识别结果进行融合,包括目标航迹、目标特征参数和目标识别结果,形成对目标更为全面、准确的特征描述以及决策级的目标融合识别结果。然后利用融合后的参数特征重新进行目标识别。最后一步将同一目标的相关传感器融合识别结果和融合特征识别结果进行对比,判断二者是否一致,若不一致则返回第二步,修改关联门限,重新执行上述步骤;若一致,则生成融合识别结果。
所述方法包括以下步骤:
(1)各传感器子网对传感器数据进行处理,得到目标运动状态、目标参数特征、目标身份识别结果以及相应的识别置信度;
(2)对各传感器得到的航迹进行模糊关联,设置关联度门限,判断属于同一目标平台的航迹;
(3)对同一目标的航迹、目标参数特征和目标识别结果进行融合,得到融合后的目标航迹、目标参数特征以及基于决策级融合的目标识别结果;
(4)基于融合后的目标特征参数重新进行目标识别,得到基于特征级融合的目标识别结果;
(5)将基于特征级融合和基于决策级融合的两种目标识别结果进行目标一致性检验,若检验未通过,则返回步骤(2),调整关联度门限,重新进行航迹关联;若检验通过,则生成融合识别结果。
下面依次阐述各步骤的具体实施方式:
步骤(1)中,各传感器子网利用自身的感知器件提取目标特征参数,基于自身的定位系统完成对目标的定位,得到目标不同时刻的位置信息;通过单传感器Kalman滤波的方式进行目标运动状态估计,得到目标航迹;采取概率输出的形式进行身份识别,即对不同目标给出识别置信度,采用经典的概率匹配方法或神经网络方法。
对于战场目标,异构电磁感知传感器一般包括雷达侦察、通信侦察和光学侦察等类型,它们获取不同类型的异构电磁数据:(a)对于雷达侦察传感器,获取的目标特征参数包括:信号载频、脉宽、脉冲重复间隔和相应的参数类型,脉内调制类型和调制参数,以及天线扫描周期和扫描类型等。这些参数组成一维特征矢量。(b)对于通信侦察传感器,获取的目标特征参数主要包括:信号载频及其类型、带宽、持续时间,通信体制,以及调制类型和波特率、调制指数等调制参数。这些参数组成一维特征矢量。(c)对于光学侦察传感器,获取的目标特征参数主要包括目标不同距离和角度,以及可见光和红外等不同波段的光学图像,一幅图像的参数组成为二维特征矢量。
可以采取神经网络方法进行目标身份识别,方法是:将一维特征矢量输入多层感知机,或将二维特征矢量输入卷积神经网络,并设置softmax输出层,通过训练优化网络参数,即可得到目标识别及置信度结果。
对于一维特征矢量,还可采用概率匹配的方法:首先对不同参数数据分别计算匹配概率,然后计算综合置信度。
a)类型数据匹配概率计算
假设所有可能的类型为A1,A2,…,An,模板类型为Ai,则类型Aj与该模板的匹配概率计算表达式为
其中aij是类型估计器的混淆矩阵的ij元素。
b)标量数据匹配概率计算
如果模板参数为标量xi,则测量值xj与它的匹配概率计算表达式为
离散变化参数数据的匹配概率计算参考上式,首先对每个离散值分别计算,再将其中最大的匹配概率作为最终结果。
c)区间数据匹配概率计算
d)综合置信度计算
与目标模板j的综合识别置信度计算式为
步骤(2)中,所述对各传感器得到的航迹进行模糊关联,判断属于同一目标平台的航迹的步骤包括:21)对不同航迹的采样点进行插值,统一数据采集时刻;22)建立航迹之间的模糊因素集;23)利用模糊因素集计算不同航迹的模糊因素、隶属度、综合相似度,得到模糊关联矩阵;24)利用编网聚类的方法识别相互关联的航迹。
如图2所示,是航迹关联流程示意图;为了比较来自不同/异构传感器的目标航迹,首先要对不同航迹的采样点进行插值,统一数据采集时刻。设插值后传感器j在时刻l估计的目标运动状态矢量为
其次,建立航迹之间的模糊因素集。设用于比较的两个航迹分别为:
为了衡量两航迹在空间位置和速度大小及方向上的偏差,定义如下9种模糊因素,
其中u1(l),u2(l),u3(l)用于衡量两航迹在时刻l的三维空间位置偏差;u4(l),u5(l),u6(l)用于衡量两航迹的三维速度大小偏差;u7(l),u8(l),u9(l)用于衡量两航迹的速度方向偏差。
不同模糊因素的重要程度不一样,设置上述9种模糊因素的基本权重分别为 0.2,0.2,0.2,0.1,0.1,0.1,1/30,1/30,1/30。在实际应用中,可根据测量精度和目标运动状态动态分配各传感器的模糊因素权重。设模糊因素表示为uk,k=1,2,…,d,对应的权重分别为βk,k=1,2,…,d。
基于第k个因素得到的两航迹在时刻l相似的隶属度为
其中τk是调整度,σk是第k个因素对应状态值的测量误差。
综合相似度的计算公式为
通过对N个传感器获取的N个航迹进行两两关联,可以得到如下模糊关联矩阵。由于该矩阵为对称矩阵,矩阵右上角未显示。
得到矩阵F后,利用编网聚类的方法识别相互关联的航迹,方法是:首先取定门限水平λ∈[0,1],将矩阵F中元素大于等于λ的位置设为“1”,小于λ的位置略去,得到Fλ矩阵。由矩阵Fλ中“1”节点向对角线引经线和纬线,称之为编网。由经纬线相连通的元素可以归为一类,没有和其他任何元素相连通的元素自成一类。门限水平的默认值取λ=0.5。后文中,将归为一类的航迹称为关联航迹。
如果关联航迹只有一条,则直接结束处理流程,相应传感器子网的识别结果即为信息融合结果。如果关联航迹不止一条,对于每一组关联航迹,再执行上述处理流程。
如图3所示,是步骤(3)的信息融合流程示意图。主要包括三个部分:
31)航迹融合:对关联航迹插值前的数据取并集,由于异构传感器记录的航迹时间在时间范围和时间间隔上往往不一致,所以航迹数据取并集后得到的时间序列的间隔不均匀,得到的一般是目标的非均匀运动序列。设置最小时间间隔门限Δt0,寻找运动序列中具有最小时间间隔Δtmin的数据点,若Δtmin≤Δt0则通过时间平均和位置平均将两数据点合并。重复这一过程,直到所有相邻数据点的时间间隔都大于门限Δt0。通过航迹融合,可以得到相对单传感器在时间上更为密集的数据点,便于更为精细地分析目标的运动状态。此外,通过合并相近的数据点,可以得到更为准确的位置信息。
32)特征融合:对关联航迹对应传感器获取的特征参量进行融合,方法是:首先对不同属性特征取并集,然后对于相同属性特征,若特征为连续型变量,则取数值平均;若特征为离散型变量,则对离散数值取并集,并对集合中的相近数值取平均。例如,通过雷达、通信和光学侦察传感器得到的目标特征属于不同的属性特征,而同类传感器测得的特征可能为相同属性特征。如果有的传感器测出了目标的用频,而有的传感器测出了目标的调制特征,则它们是不同属性特征,可以通过取并集实现特征融合。如果不同传感器都测得了目标用频,即为相同属性特征,可根据载频特点进行特征融合。
33)识别结果融合:采取D-S证据理论对关联航迹下各传感器的目标识别结果进行融合。假设传感器j利用的mj个特征为对应的权重分别为身份识别得到的nj个结果为对应的原始识别置信度分别为计算传感器j利用特征子集的权重因子则其识别结果的置信度重写为计算
设融合得到的所有目标为T=T1',T2',…,T'n',其中n'为总目标数目,并设其中的最大置信度为α'max。
步骤(4)中,根据特征融合得到特征集合A={a1,a2,…,am},再次对关联航迹目标进行识别,识别方法与步骤(1)传感器子网的识别方法相同。设识别得到的n个有效结果为T1,T2,…,Tn,对应的识别置信度分别为α1,α2,…,αn,设α1≥α2≥…≥αn≥α0,其中α0为置信度门限。
步骤(5)中,在目标一致性检验部分,利用信息融合得到的识别结果Tj'及其置信度α(T'j),j=1,2,…,n',计算衰减因子
其中δ(·)为Kronecker函数。
在上述处理过程中,航迹关联的初始门限水平可设置适当较小的值,这样可以保证多个异构传感器获取的同一目标的航迹被归为一类。但同时,这样有可能使不属于同一目标的航迹被关联进来,导致最终的目标一致性检验失败。此时,可以返回航迹关联模块,稍微提高关联门限,剔除部分差异较大的航迹,保证目标一致性检验通过。这种带反馈的融合方式对复杂的战场电磁环境具有更强的适应能力,同时使融合结果更加可靠。
相应的,一种基于异构电磁感知信息融合的目标识别系统,包括传感器子网数据处理模块、航迹关联模块、信息融合模块以及识别结果输出模块;传感器子网数据处理模块用于处理各自的传感器数据,形成对目标的初步识别,航迹关联模块用于对各传感器得到的航迹进行模糊关联,将关联度超过一定门限的航迹归为同一目标;信息融合模块用于对归为同一目标的传感器信息进行融合,获得融合后的目标航迹和目标参数特征以及决策级目标识别结果;识别结果输出模块用于利用融合后的目标参数特征重新进行目标识别,将同一目标的决策级目标识别结果和基于融合后目标参数特征进行识别的特征级目标识别结果进行对比,生成基于异构电磁感知信息融合的目标识别结果。
其中,传感器子网数据处理模块包括目标运动状态获取单元、目标参数特征获取单元、目标身份识别结果获取单元,分别用于获得目标运动状态、目标参数特征、目标身份识别结果以及相应的识别置信度。航迹关联模块包括模糊因素集建立单元、综合相似度计算单元、航迹关联单元,分别用于建立航迹之间的模糊因素集、计算不同航迹的模糊因素、隶属度、综合相似度,得到模糊关联矩阵、识别相互关联的航迹。信息融合模块包括航迹融合单元、特征融合单元、决策级融合目标识别单元,分别用于获得融合后的目标航迹和目标参数特征以及决策级目标识别结果。识别结果输出模块包括特征级融合目标识别单元、目标一致性检验单元、识别结果输出单元,分别用于获得特征级目标识别结果、两种目标识别结果的目标一致性检验、检验通过后输出融合识别结果。
传感器子网数据处理模块首先完成对目标的定位、运动状态估计、特征参数提取和身份识别。随后,航迹关联模块对各传感器输出的目标航迹进行关联分析,识别相似的航迹,接着,信息融合模块将判为同一目标的传感器信息进行融合,获得更为准确的目标航迹、更为全面目标参数特征以及基于决策级融合的目标识别结果,然后,识别结果输出模块利用特征级融合结果再次执行目标识别,接着,将基于特征级融合和基于决策级融合的两种目标识别结果进行一致性检验,生成信息融合结果。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不以任何方式限制本发明创造。一切不脱离本发明创造的精神和范围的技术方案及其改进,其均涵盖在本发明创造的保护范围当中。
Claims (10)
1.一种基于异构电磁感知信息融合的目标识别方法,其特征在于,首先由各传感器子网处理各自的传感器数据,形成对目标的初步识别,对各个异构传感器给出统一格式的识别信息;其次进行航迹模糊关联,将关联度超过一定门限的航迹归为同一目标;然后对归为同一目标的传感器信息进行融合,获得融合后的目标航迹和目标参数特征以及决策级目标识别结果;最后利用融合后的目标参数特征重新进行目标识别,将同一目标的决策级目标识别结果和基于融合后目标参数特征进行识别的特征级目标识别结果进行对比,生成基于异构电磁感知信息融合的目标识别结果。
2.根据权利要求1所述的基于异构电磁感知信息融合的目标识别方法,其特征在于,所述方法包括以下步骤:
(1)各传感器子网对传感器数据进行处理,得到目标运动状态、目标参数特征、目标身份识别结果以及相应的识别置信度;
(2)对各传感器得到的航迹进行模糊关联,设置关联度门限,判断属于同一目标平台的航迹;
(3)对同一目标的航迹、目标参数特征和目标识别结果进行融合,得到融合后的目标航迹、目标参数特征以及基于决策级融合的目标识别结果;
(4)基于融合后的目标特征参数重新进行目标识别,得到基于特征级融合的目标识别结果;
(5)将基于特征级融合和基于决策级融合的两种目标识别结果进行目标一致性检验,若检验未通过,则返回步骤(2),调整关联度门限,重新进行航迹关联;若检验通过,则生成融合识别结果。
3.根据权利要求2所述的基于异构电磁感知信息融合的目标识别方法,其特征在于,所述步骤(1)中,包括:各传感器子网利用自身的感知器件提取目标特征参数,基于自身的定位系统完成对目标的定位,得到目标不同时刻的位置信息;通过单传感器Kalman滤波的方式进行目标运动状态估计,得到目标航迹;采用经典的概率匹配方法或神经网络方法进行身份识别,对不同目标给出识别置信度。
4.根据权利要求2所述的基于异构电磁感知信息融合的目标识别方法,其特征在于,所述步骤(2)中,所述对各传感器得到的航迹进行模糊关联,判断属于同一目标平台的航迹的步骤包括:21)对不同航迹的采样点进行插值,统一数据采集时刻;22)建立航迹之间的模糊因素集;23)利用模糊因素集计算不同航迹的模糊因素、隶属度、综合相似度,得到模糊关联矩阵;24)利用编网聚类的方法识别相互关联的航迹。
5.根据权利要求2所述的基于异构电磁感知信息融合的目标识别方法,其特征在于,所述步骤(3)中,所述对同一目标的航迹、目标参数特征和目标识别结果进行融合的步骤包括:31)航迹融合:对关联航迹插值前的数据取并集,得到目标的非均匀运动序列,然后合并时间间隔较小的数据点;32)特征融合:对关联航迹对应传感器获取的参数特征进行融合,方法是首先对不同属性特征取并集,然后对于相同属性特征,若特征为连续型变量,则取数值平均;若特征为离散型变量,则对离散数值取并集,并对集合中的相近数值取平均;33)识别结果融合:采取D-S证据理论对关联航迹下各传感器的目标识别结果进行融合,其中各传感器的置信度函数用特征子集的权重进行加权。
6.一种基于异构电磁感知信息融合的目标识别系统,其特征在于,包括传感器子网数据处理模块、航迹关联模块、信息融合模块以及识别结果输出模块;所述传感器子网数据处理模块用于处理各自的传感器数据,形成对目标的初步识别,所述航迹关联模块用于对各传感器得到的航迹进行模糊关联,将关联度超过一定门限的航迹归为同一目标;所述信息融合模块用于对归为同一目标的传感器信息进行融合,获得融合后的目标航迹和目标参数特征以及决策级目标识别结果;所述识别结果输出模块用于利用融合后的目标参数特征重新进行目标识别,将同一目标的决策级目标识别结果和基于融合后目标参数特征进行识别的特征级目标识别结果进行对比,生成基于异构电磁感知信息融合的目标识别结果。
7.根据权利要求6所述的基于异构电磁感知信息融合的目标识别系统,其特征在于,所述传感器子网数据处理模块包括目标运动状态获取单元、目标参数特征获取单元、目标身份识别结果获取单元,分别用于获得目标运动状态、目标参数特征、目标身份识别结果以及相应的识别置信度。
8.根据权利要求6所述的基于异构电磁感知信息融合的目标识别系统,其特征在于,所述航迹关联模块包括模糊因素集建立单元、综合相似度计算单元、航迹关联单元,分别用于建立航迹之间的模糊因素集、计算不同航迹的模糊因素、隶属度、综合相似度,得到模糊关联矩阵、识别相互关联的航迹。
9.根据权利要求6所述的基于异构电磁感知信息融合的目标识别系统,其特征在于,所述信息融合模块包括航迹融合单元、特征融合单元、决策级融合目标识别单元,分别用于获得融合后的目标航迹和目标参数特征以及决策级目标识别结果。
10.根据权利要求6所述的基于异构电磁感知信息融合的目标识别系统,其特征在于,所述识别结果输出模块包括特征级融合目标识别单元、目标一致性检验单元、识别结果输出单元,分别用于获得特征级目标识别结果、两种目标识别结果的目标一致性检验、检验通过后输出融合识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010150436.4A CN111353450B (zh) | 2020-03-06 | 2020-03-06 | 一种基于异构电磁感知信息融合的目标识别系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010150436.4A CN111353450B (zh) | 2020-03-06 | 2020-03-06 | 一种基于异构电磁感知信息融合的目标识别系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353450A true CN111353450A (zh) | 2020-06-30 |
CN111353450B CN111353450B (zh) | 2023-12-26 |
Family
ID=71197440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010150436.4A Active CN111353450B (zh) | 2020-03-06 | 2020-03-06 | 一种基于异构电磁感知信息融合的目标识别系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353450B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931833A (zh) * | 2020-07-30 | 2020-11-13 | 上海卫星工程研究所 | 一种基于多源数据驱动的天基多维信息融合方法及系统 |
CN112130223A (zh) * | 2020-08-29 | 2020-12-25 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种分布式光控阵列协同处理系统 |
CN113484857A (zh) * | 2021-06-29 | 2021-10-08 | 北京理工大学 | 多源异构点迹融合的跟踪方法、装置、设备及存储介质 |
CN113821873A (zh) * | 2021-08-31 | 2021-12-21 | 重庆长安汽车股份有限公司 | 用于自动驾驶的目标关联的校验方法及存储介质 |
CN115166748A (zh) * | 2022-07-08 | 2022-10-11 | 上海埃威航空电子有限公司 | 一种基于信息融合的飞行目标识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7719461B1 (en) * | 2008-08-05 | 2010-05-18 | Lockheed Martin Corporation | Track fusion by optimal reduced state estimation in multi-sensor environment with limited-bandwidth communication path |
CN101847208A (zh) * | 2010-06-11 | 2010-09-29 | 哈尔滨工程大学 | 指纹与指静脉双模态识别的二级分类融合识别方法 |
CN102869064A (zh) * | 2012-07-27 | 2013-01-09 | 南京邮电大学 | 基于特征级与决策级联合融合的分簇调制识别方法 |
CN104077601A (zh) * | 2014-07-08 | 2014-10-01 | 中国航空无线电电子研究所 | 一种利用不同类型信息进行目标综合识别的方法 |
CN108932581A (zh) * | 2018-06-06 | 2018-12-04 | 深圳大学 | 多物理域信息融合的自主感知方法及系统 |
-
2020
- 2020-03-06 CN CN202010150436.4A patent/CN111353450B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7719461B1 (en) * | 2008-08-05 | 2010-05-18 | Lockheed Martin Corporation | Track fusion by optimal reduced state estimation in multi-sensor environment with limited-bandwidth communication path |
CN101847208A (zh) * | 2010-06-11 | 2010-09-29 | 哈尔滨工程大学 | 指纹与指静脉双模态识别的二级分类融合识别方法 |
CN102869064A (zh) * | 2012-07-27 | 2013-01-09 | 南京邮电大学 | 基于特征级与决策级联合融合的分簇调制识别方法 |
CN104077601A (zh) * | 2014-07-08 | 2014-10-01 | 中国航空无线电电子研究所 | 一种利用不同类型信息进行目标综合识别的方法 |
CN108932581A (zh) * | 2018-06-06 | 2018-12-04 | 深圳大学 | 多物理域信息融合的自主感知方法及系统 |
Non-Patent Citations (1)
Title |
---|
李维运: ""VTS中雷达和AIS信息融合算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931833A (zh) * | 2020-07-30 | 2020-11-13 | 上海卫星工程研究所 | 一种基于多源数据驱动的天基多维信息融合方法及系统 |
CN111931833B (zh) * | 2020-07-30 | 2022-08-12 | 上海卫星工程研究所 | 一种基于多源数据驱动的天基多维信息融合方法及系统 |
CN112130223A (zh) * | 2020-08-29 | 2020-12-25 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种分布式光控阵列协同处理系统 |
CN113484857A (zh) * | 2021-06-29 | 2021-10-08 | 北京理工大学 | 多源异构点迹融合的跟踪方法、装置、设备及存储介质 |
CN113484857B (zh) * | 2021-06-29 | 2024-04-12 | 北京理工大学 | 多源异构点迹融合的跟踪方法、装置、设备及存储介质 |
CN113821873A (zh) * | 2021-08-31 | 2021-12-21 | 重庆长安汽车股份有限公司 | 用于自动驾驶的目标关联的校验方法及存储介质 |
CN115166748A (zh) * | 2022-07-08 | 2022-10-11 | 上海埃威航空电子有限公司 | 一种基于信息融合的飞行目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111353450B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353450A (zh) | 一种基于异构电磁感知信息融合的目标识别系统和方法 | |
CN104848873B (zh) | 传感器数据融合的方法 | |
CN105335955B (zh) | 对象检测方法和对象检测装置 | |
CN110109095B (zh) | 目标特征辅助多源数据的关联方法 | |
CN110782483B (zh) | 基于分布式相机网络的多视图多目标跟踪方法及系统 | |
CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
Niedfeldt et al. | Recursive RANSAC: Multiple signal estimation with outliers | |
CN115342814B (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
CN112116019A (zh) | 一种多传感器Vine Copula异构信息决策融合方法 | |
CN107025445A (zh) | 基于类信息熵的多源遥感图像组合选择方法 | |
CN109190647B (zh) | 一种有源无源数据融合方法 | |
Elmenreich | Fusion of continuous-valued sensor measurements using confidence-weighted averaging | |
CN114218978A (zh) | 一种嵌入式轻量化的毫米波雷达目标识别方法 | |
CN116543283B (zh) | 一种考虑模态不确定性的多模态目标检测方法 | |
CN117115436A (zh) | 舰船姿态检测方法、装置、电子设备及存储介质 | |
CN112257750B (zh) | 一种面向复合式探测节点的分布式融合系统 | |
CN114543810B (zh) | 一种复杂环境下的无人机集群无源定位方法及装置 | |
CN114067224A (zh) | 一种基于多传感器数据融合的无人机集群目标数量检测方法 | |
CN113221709B (zh) | 用于识别用户运动的方法、装置及热水器 | |
CN114863201A (zh) | 三维检测模型的训练方法、装置、计算机设备和存储介质 | |
CN114697165A (zh) | 基于无人机视觉和无线信号融合的信号源检测方法 | |
Bogdanov | Neuroinspired architecture for robust classifier fusion of multisensor imagery | |
CN112965965A (zh) | 一种基于模糊预测系统的野值剔除方法、系统及计算机相关产品 | |
CN113219452B (zh) | 未知视域下的分布式多雷达联合配准与多目标跟踪方法 | |
Carlson et al. | Task specific complexity metrics for electronic vision |
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 |