一种新的证据组合规则应用于序列图像目标识别

提出了一种新的证据理论组合规则,并结合BP神经网络和证据推理对序列图像目标识别问题进行应用.以修正的Hu不变矩为图像特征,利用数据融合的思想对来自目标的序列图像进行时间域融合处理.由BP神经网络对目标的初步识别结果构造基本置信指派函数,用该组合规则进行决策级数据融合,完成了三维飞机图像目标的识别仿真.仿真结果表明,新的组合规则结合BP神经网络的融合方法提高了三维飞机目标识别的准确性.     

基于DSmT的序列图像智能融合目标识别方法

提出了一种基于BP神经网络和DSmT推理的序列图像目标识别算法。以修正的Hu不变矩为图像特征,利用数据融合的思想对来自目标的序列图像进行时间域融合处理。由BP神经网络对目标的初步识别结果构造基本置信指派函数,用DSmT组合规则进行决策级数据融合,完成了三维飞机图像目标的识别仿真。仿真结果表明,融合方法提高了三维飞机目标识别的准确性。     

一种基本概率指派的模糊生成及其在数据融合中的应用

DS证据组合规则可以在没有先验信息的情况下进行融合,这一优点使得DS证据理论在多传感器融合系统中应用非常广泛.但是各个证据的基本概率指派如何生成仍然是一个有待解决的问题.本文基于模糊匹配,提出了一种基本概率指派生成方法,并应用到多传感器目标识别中.用一个多传感器目标识别的实验表明:所提出的方法可以合理地生成基本概率指派,能够准确的识别目标.     

基于多类SVM和D—S证据理论的决策融合算法研究

D-S证据理论是决策融合领域研究较多的一种有效方法。然而,如何根据实际情况构造D—S证据理论中的基本概率赋值函数是必须面对的一个重要课题。本文提出了一种基于多类支持向量机和D—S证据理论的决策融合算法,将多类支持向量机作为局部判决器,构造了相应的基本概率赋值函数,然后用D—S证据理论对各初步判决结果进行融合,得出对目标的最终识别结论。最后与投票表决法对比,做出仿真,并进行分析,验证了算法的合理性和有效性。     

基于隶属度和D-S理论的雷达目标识别方法

研究了D—S证据理论在雷达目标识别中的应用。D—S推理的关键问题是基本概率赋值函数的构造。针对目标识别中的不确定信息，本文引入了观测样本的模糊隶属度函数，求得单个传感器对目标的相关系数，进而给出该传感器对于识别框架的基本概率赋值．再在融合中心用D—S证据理论对多个传感器的识别结果进行融合。仿真试验结果证明了该方法的正确性和有效性。     

D-S证据理论在目标身份识别中的应用

针对多源信息融合中目标身份属性识别问题,简要介绍了D-S证据理论框架,阐述了基于基本概率指派(BPAF)决策的目标身份属性融合策略、步骤,利用D-S合成规则得到融合后的基本概率指派,实现了多传感器信息融合.仿真实验证明了方法的有效性.     

基于DS算法的雷达目标识别方法研究

主要目的是为解决干扰存在下不同类型传感器、不同格式信息之间的融合问题,设计了一种较为有效的融合算法,来对敌方的危险目标进行识别;主要方法是把神经网络改进的BP算法与Dempster-Shafer(D-S)证据理论相结合,将来自于各种传感器探测设备多次观察所得到的数据,经过神经网络后,得到基本概率附值,然后利用DS证据理论进行实时的时域和空域融合,从而达到准确的目标识别;仿真结果表明该算法在有效提高识别概率的基础上,大大提高学习速度,结果可行.     

基于不变矩与证据理论的飞机序列图像识别

D—S证据理论是一种决策级信息融合方法,能够综合各信息源。为了提高对飞机序列图像进行识别的能力,增加信息可信度,提高系统容错能力,提出一种不变矩与D—S证据理论相结合的方法,对飞机序列图像进行了识别。通过构造飞机图像的模板库,对于待识别的图像提取不变矩特征,提出了两种通过不变矩特征构造基本置信函数,然后运用D—S证据理论进行融合,得到图像的识别结果。通过实验,比较了两种不变矩特征和三种构造函数对识别结果的影响,并将其结果与支持向量机、神经网络的仿真结果相比较。实验结果表明方法是有效且可行的,识别概率优于其它的方法。     

一种基于D-S证据理论的融合RGB特征和Depth特征的3D目标识别方法

针对利用单一特征进行3D目标识别导致识别率低的问题,结合RGB图像和Depth图像的优势,提出一种结合支持向量机(SVM)和D-S证据理论的融合RGB特征和Depth特征的3D目标识别方法。该方法提取目标物体的RGB特征以及Depth特征,分别以这两类单特征的SVM的概率输出作为独立的证据,构造出基于每个证据的基本概率分配函数(BPA),利用D-S证据融合规则进行证据融合,并根据决策准则得到最终的3D目标识别结果。在Kinect相机得到的RGB-D数据集上进行实验验证,结果表明,该方法能够有效地实现对RGB特征和Depth特征的融合,提高了3D目标识别的识别准确性和可靠性。     

基于决策级融合的图像传感系统目标交接

目标交接是图像传感系统中的关键技术,针对基于特征融合目标交接算法中特征提取的不准确,提出基于决策级融合的多摄像机目标交接算法。将目标的每个特征作为一个证据,给出每个证据基本置信指派函数的构造方式。利用Dempster组合规则得到融合多个证据后的基本置信指派。利用融合决策规则来判断当前目标是否和辨识框架中的某个目标为同一个目标,完成目标交接,并给出目标在系统中唯一标识。多种场景仿真实验表明该算法可以准确地完成多摄像机目标交接。     

基于BEMD和分形维数的人脸识别方法

提出一种新的人脸图像特征提取方法,即利用二维经验模态分解方法（BEMD）结合分形维数（Fractal dimension）进行特征量提取,将提取得到的特征量用于人脸识别。该方法将图像通过BEMD算法分解为不同的二维固有模态分量（BIMF）,然后将得到的BIMF图像进行分块得到BIMF子区域,对每一个BIMF子区域进行分形盒维数估计,采用BP神经网络作为分类器。实验选用ORL人脸数据库,实验结果表明,用该算法进行特征量提取的人脸识别方法具有理想的识别效果并提高识别系统性能。     

基于径向基函数(RBF)映射理论的遥感影像分类模型研究

与传统统计方法的分类器相比较,人工神经网络（ＡＮＮ）方法应用于遥感影像分类,不需预先假设样本空间的参数化统计分布,具有复杂的映射能力。大多数ＡＮＮ分类器采用误差反向传播（ＢＰ）学习算法的多层感知器模型（ＢＰＮＮ）,其主要缺陷是学习速度缓慢、容易陷入局部极小而导致难以收敛等。基于径向基函数（ＲＢＦ）映射理论的神经网络模型融合了参数化统计分布模型和非参经线性感知器映射模型的优点,在实现快速学习的同时,     

基于Fisher投影的多光谱人脸融合识别

根据可见光图像与红外图像的信息互补性,分析在决策层融合识别中的归一化法和融合算法,提出一种基于统计的Fisher投影融合法,利用Fisher线性判别准则在二维分数空间寻找最优投影方向,使不同类样本投影后能最佳分离。在多光谱人脸融合识别中的应用结果表明,与其他融合算法相比,该算法具有更好的识别效果。     

基于红外图像识别技术的道路与桥梁故障诊断

针对传统道路与桥梁故障诊断方法识别效率低、数据误差大等问题,提出了一种基于红外线图像识别的智能监控系统,并采用装有红外对射光栅的故障监控机进行监测,实现图像识别、数据管理和应用为一体化。该系统包含分层图像融合框架,采用逐层深度学习技术挖掘图像的细节信息,提取图像的关键信息进行词典学习。根据形态相似性,将源图像分为平滑、随机和主方向的面片。分别采用基于Max-L1和L2-范数的加权平均融合规则对三个图像块组的高频分量和低频分量进行融合。将融合后的低频分量和高频分量进行组合,得到最终的融合结果。对比实验验证了所提出的图像融合方案的实用性和可靠性,在相同的图像分割参数下,本模型计算得到的故障监测率为94.14%。     

基于比例冲突再分配理论的目标识别应用研究

目前证据推理理论算法的改进仍然是热门的方向,其应用也越来越广,因此主要介绍了当前证据推理理论的两种最新的改进思想--最新的DSmT理论以及比例冲突再分配(PCR)方法;归纳总结了证据理论的主要应用及其在应用中的关键问题之--基本置信指派的主要构造方法;最后利用人工神经网络训练数据的方法构造基本置信指派,对比例冲突再分配(PCR5)方法在序列图像目标识别中的应用进行了仿真分析,仿真实验结果表明该算法可以有效地提高序列图像目标识别的准确性.     

基于Petri网和BPNN的多重触控手势识别

为解决多重触控技术的手势识别问题,提出一个多重触控手势描述与识别框架,给出其描述和识别方法。多重触控手势可分为原子手势和组合手势,在手势描述过程中,利用BP网络对原子手势进行建模,然后在将用户的意图映射为原子手势逻辑、时序和空间关系关联而成的组合手势,并在Petri网引入逻辑、时序和空间关系描述符对组合手势进行描述。在手势识别过程中,根据BP网络分类器检测出原子手势,并触发组合手势Petri网模型的转移,实现组合手势的识别。实验结果表明该方法对不同用户操作习惯有鲁棒性,能有效解决多重触控手势识别问题。     

信息准则在信息融合中的应用

在图像识别时,如果样本较小,往往会造成识别结果的不准确.采用信息融合的方法可以改善这一问题.在这一过程中,通过引入信任度系数对信息源的质量作出评价,可以提高图像识别的准确性.提出了一种利用信息准则来确定信息源信任度系数的方法,并以此作为衡量信息源质量的依据.其中着重比较了根据两种不同的信息准则所确定的信任度系数对于识别结果的影响.实验结果表明利用BIC准则确定的信任度系数可以得到更好的图像识别结果,同时也证明了该方法应用在信息融合中的可行性.     

林地山区滑坡遥感的最优融合方法及应用

滑坡作为造成巨大经济损失和人员伤亡的地质灾害之一,越来越引起社会的高度重视。为精确识别林地山区中的滑坡灾害,以2020年7月6日发生在湖南省常德市石门县南北镇潘坪村的雷家山滑坡为研究对象,使用不同的融合方法进行Sentinel-1A C波段干涉宽幅的地距多视产品和Sentinel-2A多光谱2A级光学影像融合,得到主成分分析融合方法对分贝化处理后的S1A VV极化影像与S2A影像融合效果最优,采用支持向量机方法分别对最优融合影像和原始S2A影像进行滑坡识别,最后使用S2A影像滑坡目视解译结果为检验标准对支持向量机滑坡识别结果进行精度评价,同时以2020年7月21日发生在湖北恩施屯堡乡马者村的沙子坝滑坡作为案例检验该方案的可推广性。结果表明：与单独使用光学影像进行研究区滑坡识别相比,使用最优融合影像滑坡识别的准确率由95.24%提升到了96.65%,滑坡提取质量也由87.18%提升到了91.84%,滑坡的漏识别和过度识别均有所降低,说明光学影像和合成孔径雷达影像融合的研究方案具有可推广性,能提高林地山区滑坡识别的准确率,可以更好地为滑坡风险评估、灾后应急调查以及灾后恢复重建等提供有价值的...