CN112381128A - 一种基于目标特征分集评选的多传感器动态融合识别方法 - Google Patents

Abstract

本发明提供了一种基于目标特征分集评选的多传感器动态融合识别方法，利用多个传感器采集目标特征样本信息，将样本信息划分为多个目标类别特征集，通过计算样本信息熵、集内聚集度与集间分集度，得到每个特征集的信息优选权值；计算标准阈值，选取符合阈值条件的信息优选权值作为特征融合参数，并构建目标信息融合识别的动态特征集；根据特征融合参数的取值，推算特征融合参数对应传感器的贡献值，并将传感器采集的数据样本作为可信赖样本数据。本发明解决了特征级目标信息融合识别方法无法适应目标特征变化的问题，减少了对目标特征先验信息的依赖，降低了融合算法的复杂性与维度，实时性与可靠性强。

Description

一种基于目标特征分集评选的多传感器动态融合识别方法

技术领域

本发明涉及信息处理领域，特别是涉及一种基于目标特征分集评选的多传感器动态融合识别方法。

背景技术

多传感器信息融合是利用计算机技术将来自多个传感器或多源的观测信息进行分析、综合处理，从而得出决策和估计任务的信息处理过程，随着目标特征提取技术的发展，越来越多、不同维度的目标特征信息被提取出来，面对众多提取的目标特征，如何进行有效融合识别是一个难题。选用的目标特征量越多，识别系统所付出的计算代价越高，耗时也会越高，并且设计的识别方法往往也会非常复杂，性能也不一定理想。这是因为：一方面，选择较多特征进行识别，会因特征量之间的强相关性带来冗余计算，另外也会因目标特征的多维性和异构性而陷入“维度灾难”，反而造成识别方法性能下降；另一方面，在目标识别过程中，受到各种因素影响，有的特征在识别过程中发挥的作用重要些，有的特征的作用次要些甚至可以忽略，即重要程度或作用显著性不同，甚至出现“此消彼长”状态。

为了提高信息识别系统效率和灵活性，急需一个科学定量准则来实时评选各个特征对目标分类的有效程度，即其在目标融合识别中的特征权值大小，科学、合理地对比特征之间的差异，择优选取、适时搭配关键特征，达到降低识别系统复杂度，增强识别系统的适应性与智能性、实时性与可实现性的目的。

发明内容

本发明提供了一种基于目标特征分集评选的多传感器动态融合识别方法，通过多个传感器采集目标特征样本信息，将样本信息划分为多个目标类别特征集，通过计算样本信息熵和集内聚集度与集间分集度，得到每个特征集的信息优选权值，并通过标准阈值对信息优选权值，能够有效挑选出可信赖样本数据，提高运算效率。

本发明提供的技术方案为：

一种基于目标特征分集评选的多传感器动态融合识别方法，包括如下步骤：

利用多个传感器采集特征样本，将每个特征样本划分为多个目标类别特征集；

根据特征集内的特征量测数据，计算样本信息熵和集内聚集度与集间分集度，得到每个特征集的信息优选权值；

筛选符合阈值条件的信息优选权值作为特征融合参数，并构建包含所述特征融合参数的目标融合识别动态特征集。

优选的是，所述信息优选权值的计算过程包括如下步骤：

根据特征集内的特征样本个数和传感器采集到的量测数据，计算每个样本到所属目标类别特征集的中心距离，进而计算得到集内样本平均聚集度；

根据目标类别特征集内样本特征的平均值，计算每个特征下的集间信息熵，进而计算获得集间平均分集度；

根据所述集内样本平均聚集度和所述集间平均分集度计算得到信息优选权值。

优选的是，所述集内样本平均聚集度的计算公式为：

其中，C_it表示特征对m个集的集内样本平均聚集度；t表示一个时间段；v_ikt表示每个样本到该特征集中心距离；v_ikt表示t时段中第k类别的第i个目标特征样本的信息熵值；

Q_ikt表示t时段中第k类别的第i个目标特征样本的的特征中心，

r_ikt表示t时段中第k类别的第i个目标特征样本的信息熵值；

θ_ikt为t时段中第k类别的第i个目标特征样本的量测数据；x表示特征样本个数。

优选的是，所述集间的平均分集度的计算过程包括如下步骤：

根据目标类别特征集内样本特征的平均值，计算每个目标特征集的集间信息熵；

并根据所述集间信息熵计算个集与全集距离占比值；

根据所述集间信息熵和所述个集与全集距离占比值计算得到集间的平均分集度。

优选的是，所述集间的平均分集度计算公式为：

其中，

表示第i个特征对m个集的集间的平均分集度；w_it表示集间关联度权重，

D_it为第i个特征下m个集的集间信息熵,表示特征i的分集属性，

s,z＝1,2,…,m且s≠z；O_it表示每个集中心到所有集中心的个集与全集距离占比值，

表示所有集的中心，

Q_ist表示第s个集对x个样本的第i个特征的平均值，Q_izt表示第z个集对x个样本的第i个特征的平均值。

优选的是，所述信息优选权值计算公式为：

其中，φ_it表示第i个特征在t时间段内的信息优选权值。

优选的是，所述目标信息融合识别的动态特征集构建包括如下过程：

将所述信息优选权值φ_it分别与标准阈值Y_t作比较；

当φ_it≥Y_t时，对应的目标特征值作为目标融合识别方法的输入，构建目标融合识别动态特征集，否则丢弃或待观察；

其中，所述目标融合识别动态特征集选取特征i作为融合输入的准则为：φ_it×θ_it，φ_it表示第i个特征在t时间段内的信息优选权值，θ_it表示第i个特征值t时段量测数据；

φ_nt表示第n个特征在t时间段内的信息优选权值。

优选的是，还包括筛选特征融合参数，并将所述特征融合参数对应传感器采集的数据作为可信赖样本。

优选的是，所述特征融合参数的筛选步骤为：

当φ_it≥Y_t时，保持该特征对应传感器状态与数据使用；

当φ_it＜Y_t时，则需进一步判断与修正传感器工作参数、方式或等待φ_it≥Y_t时，再次进入融合识别算法。

本发明提供了一种基于目标特征分集评选的多传感器动态融合识别方法，通过多个传感器采集目标特征样本信息，将样本信息划分为多个目标类别特征集，计算每个特征集的信息优选权值，并通过标准阈值对信息优选权值，能够有效挑选出可信赖样本数据，提高运算效率。

本发明适用于任意特征级信息融合方法，较好地提升了融合方法的计算效率。在信息融合处理的认知闭环中，根据目标特征优选权值与传感器识别贡献，自主动态调整系统探测识别策略。

本发明可利用任何工作体制模式的目标融合识别系统，无需改动系统软硬件结构，只需要将程序下载到通用信号处理板上，并在通用可编程信号处理板上进行编程即可实现，对融合识别算法的源头，目标特征数据进行实时评选，可最大限度剔除数据的不确定性和矛盾性，降低了融合算法的复杂性与维度，运算过程简单、运算效率高。

附图说明

图1为本发明所述的基于目标特征分集评选的多传感器动态融合识别方法的流程示意图；

图2为本发明所述的评估样本特征的优选权值的计算流程示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明基于目标特征分集评选的多传感器动态融合识别方法进行进一步详细说明。

如图1-2所示，基于背景技术提出的技术问题，本发明提供了一种基于目标特征分集评选的多传感器动态融合识别方法，具体包括以下步骤：

步骤S100、利用多个传感器采集目标特征样本信息，将目标特征样本信息划分为多个目标类别特征集，并通过计算每个类别的特征集的集内样本平均聚集度和集间的平均分集度，得到每个特征集的信息优选权值；信息优选权值，是通过集内样本平均聚集度和集间的平均分集度之比评估第i个特征集的优选权值，以此为量化指标反应特征在目标分类识别中所起作用大小。

步骤S200、通过信息优选权值与标准阈值的比较，对信息优选权值进行筛选，确定目标融合识别动态特征集，首先，选取标准的阈值：

当φ_it≥Y_t时，对应的目标特征值可作为目标融合识别方法的输入，并构建目标融合识别动态特征集，否则丢弃或待观察；

目标融合识别动态特征集选取特征i作为融合输入的准则为：φ_it×θ_it，φ_it表示第i个特征在t时间段内的信息优选权值，θ_it表示第i个特征值t时间段量测数据。

以量化特征样本信息优选权值,较好地反应了各类不同特征在目标分类识别中集聚性及其所起作用大小，实现目标特征在线实时评选，提高了分类识别速度与准确性。

步骤S300，根据特征融合参数的取值，推算特征融合参数对应传感器的贡献值，并将传感器采集的数据样本作为可信赖样本数据。通过φ_it的取值大小，目标识别系统反推相应传感器在目标识别中的贡献值，可以对其进行反馈调整。

当φ_it≥Y_t时，保持该特征对应传感器状态与数据使用；当φ_it＜Y_t时，则需进一步判断与修正传感器工作参数、方式或等待φ_it≥Y_t时，再次进入融合识别算法。

如图2所示，步骤S100中特征集的信息优选权值求解过程，具体的说，本实施例中包括如下步骤：

步骤S110、利用多个传感器收集目标特征信息，作为一种优选，多个独立传感器或多源采集信息，每个传感器都有自己独立的感知，包括激光雷达、摄像头、毫米波雷，当所有传感器完成目标数据生成后，再进行数据分析、融合识别处理；

步骤S120、将目标特征样本信息划分为多个目标类别特征集，根据样本个数和每个目标特征样本的信息熵值，计算每个样本的特征集的特征中心，第k类目标类别的特征集的特征中心Q_ikt的函数为：

其中r_ikt表示t时段中第k类别的第i个目标特征样本的信息熵值

θ为t时段量测数据；Q_ikt表示每个目标类别特征集的特征中心，x表示特征样本个数。

步骤S130，计算每个样本到该特征集中心距离值：

步骤S140，某特征对m个集的集内样本平均聚集度函数为：

通过聚集度的值，可以判断个类样本信息包含的信息内容的多寡，进而判断有效信息的多少：聚集度高，说明样本信息的相关性越强，有效信息少；密集度低，说明样本信息的相关性越弱，则有效信息多。

步骤S150，计算第i个特征下m个集的集间信息熵,表示特征i的分集属性：

s,z＝1,2,…,m且s≠z；

式中，Q_ist和Q_izt分别表示第s个和第z个集对x个样本的第i个特征的平均值。

步骤S160，计算每个集中心到所有集中心的个集与全集距离占比值：

其中，

为所有集的中心。

步骤S170，计算第i个特征对m个集的集间的平均分集度为：

其中，集间关联度权重w_it为：

特征分集关联度权重，可以更好地反映该特征在时段t内所携目标信息的分类能力，以区分不同目标特征的适时有效性。

步骤S180，评估第i个特征的信息优选权值：

由此得到的信息优选权值可以作为一个科学的定量准则，实时评选各个特征对目标分类有效程度，即其在目标融合识别中的特征权值大小，特征权值大，其对结果层的影响越大。

本发明所提出的一种基于目标特征分集评选的多传感器动态融合识别方法。通过同时感知图像、红外线和激光雷达的三维信息，将采集的目标信息进行融合识别处理，确定特征权值大小，科学、合理地对比特征之间的差异，择优选取、去除一些无效或虚假特征数据的干扰，适时搭配关键特征，减少冗杂的计算程序，计算代价低，耗时少，结果层的输出信息科学、可靠。

另一方面，对激光雷达、摄像头、毫米波雷达等多个传感器进行反馈调节，优化传感器工作参数，多个传感器相互协同优势强，整个传感器系统的灵活性高。

本发明可利用任何工作体制模式的目标融合识别系统，无需改动系统软硬件结构，技术成本小，设计原理贴近真实目标特征差异及其近实时变化。本发明对融合识别算法的源头，目标特征数据进行近实时评选，可最大限度剔除数据的不确定性和矛盾性。各特征的时域无量纲指标，可适用于各种异类特征融合，降低了融合算法的复杂性与维度，拓展了目标融合识别算法的应用范围。计算过程更加直观与明晰，而且由于其运算过程相对简单、计算量不大，故时间复杂性不高，所以能更好地符合在线特征评选原则。

本发明方法只需要将程序下载到通用信号处理板上即可实现，因此易于推广，且只需要在通用可编程信号处理板上进行编程，无需改变系统结构，升级方便。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (9)

1.一种基于目标特征分集评选的多传感器动态融合识别方法，其特征在于，包括如下步骤：

利用多个传感器采集特征样本，将每个特征样本划分为多个目标类别特征集；

根据特征集内的特征量测数据，计算样本信息熵和集内聚集度与集间分集度，得到每个特征集的信息优选权值；

筛选符合阈值条件的信息优选权值作为特征融合参数，并构建包含所述特征融合参数的目标融合识别动态特征集。

2.根据权利要求1所述的基于目标特征分集评选的多传感器动态融合识别方法，其特征在于：所述信息优选权值的计算过程包括如下步骤：

根据特征集内的特征样本个数和传感器采集到的量测数据，计算每个样本到所属目标类别特征集的中心距离，进而计算得到集内样本平均聚集度；

根据目标类别特征集内样本特征的平均值，计算每个特征下的集间信息熵，进而计算获得集间平均分集度；

根据所述集内样本平均聚集度和所述集间平均分集度计算得到信息优选权值。

3.根据权利要求2所述的基于目标特征分集评选的多传感器动态融合识别方法，其特征在于：所述集内样本平均聚集度的计算公式为：

其中，C_it表示特征对m个集的集内样本平均聚集度；t表示一个时间段；v_ikt表示每个样本到该特征集中心距离；v_ikt表示t时段中第k类别的第i个目标特征样本的信息熵值；

Q_ikt表示t时段中第k类别的第i个目标特征样本的的特征中心，

r_ikt表示t时段中第k类别的第i个目标特征样本的信息熵值；

θ_ikt为t时段中第k类别的第i个目标特征样本的量测数据；x表示特征样本个数。

4.根据权利要求3所述的基于目标特征分集评选的多传感器动态融合识别方法，其特征在于：所述集间的平均分集度的计算过程包括如下步骤：

根据目标类别特征集内样本特征的平均值，计算每个目标特征集的集间信息熵；

并根据所述集间信息熵计算个集与全集距离占比值；

根据所述集间信息熵和所述个集与全集距离占比值计算得到集间的平均分集度。

5.根据权利要求4所述的基于目标特征分集评选的多传感器动态融合识别方法，其特征在于：所述集间的平均分集度计算公式为：

其中，

表示第i个特征对m个集的集间的平均分集度；w_it表示集间关联度权重，

D_it为第i个特征下m个集的集间信息熵,表示特征i的分集属性，

s,z＝1,2,…,m且s≠z；O_it表示每个集中心到所有集中心的个集与全集距离占比值，

表示所有集的中心，

Q_ist表示第s个集对x个样本的第i个特征的平均值，Q_izt表示第z个集对x个样本的第i个特征的平均值。

6.根据权利要求5所述的基于目标特征分集评选的多传感器动态融合识别方法，其特征在于：所述信息优选权值计算公式为：

其中，φ_it表示第i个特征在t时间段内的信息优选权值。

7.根据权利要求6所述的基于目标特征分集评选的多传感器动态融合识别方法，其特征在于：所述目标信息融合识别的动态特征集构建包括如下过程：

将所述信息优选权值φ_it分别与标准阈值Y_t作比较；

当φ_it≥Y_t时，对应的目标特征值作为目标融合识别方法的输入，构建目标融合识别动态特征集，否则丢弃或待观察；

其中，所述目标融合识别动态特征集选取特征i作为融合输入的准则为：φ_it×θ_it，φ_it表示第i个特征在t时间段内的信息优选权值，θ_it表示第i个特征值t时段量测数据；

φ_nt表示第n个特征在t时间段内的信息优选权值。

8.根据权利要求7所述的基于目标特征分集评选的多传感器动态融合识别方法，其特征在于：还包括筛选特征融合参数，并将所述特征融合参数对应传感器采集的数据作为可信赖样本。

9.根据权利要求8所述的基于目标特征分集评选的多传感器动态融合识别方法，其特征在于：所述特征融合参数的筛选步骤为：

当φ_it≥Y_t时，保持该对应传感器状态与数据使用；

当φ_it＜Y_t时，则需进一步判断与修正传感器工作参数、方式或等待φ_it≥Y_t时，再次进入融合识别算法。

Images