一种基于DSmT和HMM的序列飞机目标识别算法

针对姿态多变化的飞机自动目标识别中的低识别率问题, 提出了一种基于DSmT (Dezert-Smarandache theory)与隐马尔可夫模型(Hidden Markov model, HMM)的飞机多特征序列信息融合识别算法(Multiple features and sequential information fusion, MFSIF). 其创新性在于将单幅图像的多特征信息融合识别和序列图像信息融合识别进行有机结合.首先, 对图像进行二值化预处理, 并提取目标的Hu矩和轮廓局部奇异值特征; 然后, 利用概率神经网络(Probabilistic neural networks, PNN)构造基本信度赋值(Basic belief assignment, BBA); 接着, 利用DSmT对该图像的不同特征进行融合,从而获得HMM的观察值序列;再接着, 利用隐马尔可夫模型对飞机序列信息融合, 计算观察值序列与各隐马尔可夫模型之间的相似度, 从而实现姿态多变化的飞机目标自动识别;最后, 通过仿真实验, 验证了该算法在飞机姿态发生较大变化时, 依然可以获得较高的正确识别率,同时在实时性方面也可以满足飞机目标识别的要求. 另外, 在飞机序列发生连续遮挡帧数τ ≤ 6的情况下, 也具有较高的飞机目标正确识别率.     

一种奇异值与PNN结合的飞机目标识别方法

针对现有目标识别方法正确率不高及速度不快等问题做了积极的探索,提出了一种将图像轮廓的奇异值与概率神经网络(PNN)相结合的飞机目标识别方法。首先,对数据进行压缩,提取二值化图像目标的轮廓并进行离散化;然后计算离散点到目标质心的距离,以此构造目标循环矩阵并提取它的奇异值特征量,作为目标的特征;接着构建PNN网络,以奇异值为特征量输入,对它进行训练;最后利用训练好的PNN网络分类器对待测目标进行识别。在仿真实验中,该方法使识别率和处理速度得到了很大的提高,证明了该方法的有效性。