[发明专利]用于三维动态目标识别的多传感器多特征融合识别方法

说明书

技术领域

本发明涉及多机同类传感器信息融合识别技术，特别涉及基于BP神经网络和D-S证据理论相结合的多传感器多特征多级融合识别方法，适用于多机或多平台协同进行飞机目标类型识别。

背景技术

在现代战争中，信息主导权是影响战略全局的关键因素，而成像侦察和目标识别是获取信息的主要方式。军用飞机等军事目标在战争中具有非常重要的战略意义，发挥着十分重要的作用。在大量的航空侦察图像数据中快速地发现这些战略目标，高效快速地识别军用飞机目标类型的方法有利于作战指挥员实时把握敌方动态进行决策分析，并迅速做出反应从而赢取战争的胜利，是我军作战取胜的关键内容。因此，对军用飞机目标识别分类技术的研究具有重要的理论意义和重大的实际应用价值，对于我国国防建设也具有重要的战略意义和社会效益。

国内外研究者对于目标识别技术领域开展了大量的研究，提出了很多应用于目标识别分类的方法。虽然目标识别分类领域可以使用的方法有很多，但目前在使用这些识别分类方法时，大多只根据单传感器获取得到的目标的部分特征信息进行相应的识别分类，或者使用多个传感器获取得到的目标的同种特征信息进行相应的识别分类。

在对三维目标进行识别时，单个传感器提取的目标特征往往由于其自身的探测特点不能获得对目标的完全描述，多个传感器提取得到的目标的同类特征信息对目标特征的覆盖面也较为有限，从而造成目标分类识别的正确概率较低。而事实上，可以描述同一目标的特征有很多种，利用现有的传感器可以很方便的提取出来，因此如果同时利用多个传感器获取得到的目标的多种独立、互补的特征向量，可以获得对目标较为完全的描述，必然有利于大大提高目标识别的正确概率。

发明内容

针对现有识别分类方法存在的缺陷，本发明的发明目的在于提供一种用于三维动态目标类型识别的多传感器多特征融合识别方法，将BP神经网络方法和D-S证据理论方法进行有效结合，同时使用目标的Hu不变矩特征和Zernike不变矩特征，对不同传感器的识别结果进行时间域和空间域上的融合，最后对融合识别结果按照判决规则进行判断得出最终的识别结果。本发明的识别分类结果正确概率高，抗干扰、差错性能强。

本发明的发明目的通过以下技术方案来实现：

一种用于三维动态目标识别的多传感器多特征融合识别方法，包含以下步骤：

步骤一、将识别目标进行二维平面化，建立二维投影图像库；

步骤二、将二维投影图像库中的图像进行预处理，进行灰度化和二值化，并对预处理后的图像同时提取Hu矩特征和Zernike矩特征，建立图像特征矩信息数据库；

步骤三、将计算出的Hu矩和Zernike矩的图像特征矩信息，分别输入到第一BP神经网络、第二BP神经网络，对第一BP神经网络、第二BP神经网络进行训练，得到两个训练好的BP神经网络并进行保存；

步骤四，将不同传感器获取到的待识别的目标图像序列进行预处理并提取Hu矩特征和Zernike矩特征，将两种特征矩信息分别输入到第三步中已训练好的第一BP神经网络、第二BP神经网络，经计算得到基本概率分配函数，利用D-S证据理论对得到的基本概率赋值进行时域和空域的融合得到识别结果信息，对识别结果信息按照判决规则进行决策，最终得到目标识别结果信息。

依据上述特征，所述步骤一利用软件建模法，通过软件生成目标在不同姿态下的二维投影图像库。

依据上述特征，所述步骤二中的灰度化使用加权平均法，根据重要性或其他指标给R、G、B赋予不同的权值，并使R、G、B的值加权平均，即：

R＝G＝B＝(W_RR+W_GG+W_BB)/3，

其中W_R、W_G、W_B分别为R、G、B的权值，使W_G＞W_R＞W_B将得到合理的灰度图像。

依据上述特征，当W_G＝0.59,W_R＝0.30,W_B＝0.11时，即R＝G＝B＝0.30R+0.59G+0.11B时，能得到最合理的灰度图像。

依据上述特征，所述步骤三的具体方法为：

首选使用三个传感器分别提取不同维度的图像；

然后每种目标的每一个坐标维度都随机选取一定数量的图像，每幅图像都提取Hu矩和Zernike矩；