基于双基点法的多传感器数据融合

针对具有多个特征指标的多传感器目标识别问题,提出一种基于双基点法的信息融合方法.该方法根据指标隶属度矩阵将多传感器目标识别问题转化为多目标决策问题.通过定义熵权和相对接近度,改进了传统的双基点法,从而给出目标识别算法.该方法利用熵权较好地避免了目标识别受主观因素的影响,特别适用于具有多个特征属性的多个目标的识别.仿真实例验证了所提出算法的有效性和可操作性.     

基于D-S理论的多传感器目标识别能力分析

通过分析待识别目标类型与结果类型的差别,确定以目标正确识别概率、目标错误识别概率和目标无法识别概率来度量传感器的目标识别能力。鉴于各传感器的识别结果概率之间的证据冲突,给出了一种通过与准理想结果的距离大小来确定信任权重的方法,并依据信任权重重新调整各证据的概率分配,实现冲突证据的预处理,然后使用Dempster规则对各传感器的识别结果概率进行组合,从而确定了多传感器的目标识别能力的度量模型,实例证明给出的目标识别能力度量方法是有效可行的。     

一种机场目标检测与定位方法

针对机场目标检测定位时目标特征提取过于单一,识别结果不理想的问题,文章提出一种基于多源遥感图像的机场目标检测与定位方法;分别提取多光谱机场图像的跑道特征、纹理特征,以及相同区域SAR图像的后向散射特征,并将这些特征输入SVM分类器进行识别来判断候选区域是否包含机场,解决了目前特征单一、识别率较低等问题;实验结果表明该方法能更好地识别机场区域、提高识别率。     

基于PCA-LDA-SVM的多普勒雷达车型识别算法

车辆检测和车型识别是智能交通系统(Intelligent transportation system,ITS)中的一个重要方面,而目标识别是低分辨率雷达领域的一个难点.该文提出一种用多普勒雷达进行车型识别的方法,把车辆建模成包含多个散射中心的目标体,散射中心与雷达的距离与频谱能量有关,因此同一目标的频谱变化反映了该目标长高等轮廓特征.然后将有效的频谱特征结合主成分分析(Principal component and analysis,PCA)和线性判别分析(Linear discriminant analysis,LDA)进行降维,再利用支持向量机(Support vector machine,SVM)等分类器实现分型.文章对不同识别算法交叉验证的实验结果进行比较,表明基于PCA-LDA-SVM的车型识别算法效果理想,有广泛的应用前景.     

一种基于可信度矩阵的多传感器目标识别方法

为了解决多传感器目标识别中不同等级信息源数据的融合问题,在研究DSmT证据理论的基础上,引入证据可信度矩阵.依据可信度矩阵对证据进行转化,使之可以用传统的方法进行证据融合.将这种方法应用到等级不同的多传感器目标识别中,可以解决传统证据理论只能进行相同等级传感器目标识别的难题.仿真实验表明,该方法提高了目标识别的准确性和有效性.     

基于改进YOLOv3的火灾检测与识别

现阶段火灾频发,需要自动进行火灾的检测与识别,虽然存在温度、烟雾传感器等火灾检测手段,但是检测实时性得不到保证.为了解决这一问题,提出了基于改进YOLOv3的火灾检测与识别的方法.首先构建一个多场景大规模火灾目标检测数据库,对火焰和烟雾区域进行类别和位置的标注,并针对YOLOv3小目标识别性能不足的问题进行了改进.结合深度网络的特征提取能力,将火灾检测与识别形式化为多分类识别和坐标回归问题,得到了不同场景下火焰和烟雾两种特征的检测识别模型.实验表明,本文提出的改进YOLOv3算法对不同拍摄角度、不同光照条件下的火焰和烟雾检测都能得到理想的效果,同时在检测速度上也满足了实时检测的需求.     

基于数据融合的战场声目标识别系统算法研究

现代战争越来越多地使用高科技武器,各种武器车辆坦克的声音相互混叠,进行声目标识别是极有挑战性的.为了在嘈杂的战场环境中多传感器网络仍能正确识别各种目标信号,结合无线多传感器网络的特点和数据融合理论,设计出了适合于战场环境的声目标识别算法.使用小波包进行预处理及特征提取,人工神经网络进行分类识别,并运用数据融合算法得出最终识别结果.通过对采集到的声目标信号进行识别,结果表明方法应用于战场声目标识别中是可行有效的.     

基于多超声波传感器的移动机器人目标识别

移动机器人在不确定环境中的目标识别技术是自主导航及复杂任务分解的一瞎丶际?本文利用自行铑设计的多超声波传感器探测系统感知外界环境,提出了基于目标原型的目标识别和对感兴趣目标的主动探测方法.根据多超声波传感器的TOF(Time-of-Flight)信息,利用Dempster-Shfer证据理论,实现了移动机器人对室内特征环境的准确识别.测试结果及分析验证了该方法的可行性和识别准确性.并且该方法适用于室内机器人运动中的实时探测.     

模糊AdaBoost算法在SAR图像目标识别中的应用

提出了一种AdaBoost算法的多类别推广方法,并将推广后的算法应用于合成孔径雷达图像目标识别中.针对AdaBoost基本算法只考虑两类分类的情况,对算法进行多类别推广,用"一对一"方法将多类别分类问题分解为多个两类分类问题,用模糊方法对多个两类AdaBoost分类器的输出进行决策判决,得到最终分类结果.将推广后的模糊AdaBoost算法应用于SAR图像目标识别,用MSTAR数据库中3个军事目标进行识别实验.实验结果表明,该算法可有效应用于SAR图像目标识别.与其他分类算法相比较,可获得较高的目标正确识别率.     

基于多源信息融合的水上桥梁目标识别算法

目前的算法基本上都是针对单一图像源进行目标识别,方法的复杂度一般较高,运行速度慢,不能满足实际应用的需求.基于多源信息融合的水上桥梁目标识别方法将图像融合技术和目标识别技术有效结合起来,提出了一种新的目标识别方法.该方法主要分为3步:感兴趣目标区域提取,可疑桥梁目标提取,去除虚假目标.该方法综合利用了多源图像信息具有互补作用的特点,可准确地识别出目标.此外,该方法运行速度很快,具有在大图像上搜查可能存在目标的能力.