專利名稱：：基于機載雷達和紅外成像傳感器數據融合的目標識別方法
技術領域：
：本發(fā)明屬于目標識別
技術領域：
，具體涉及一種基于機載雷達和紅外成像傳感器數據融合的目標識別方法。
背景技術：
：為了精確掌握戰(zhàn)場態(tài)勢環(huán)境，為航空火控中心提供所需作戰(zhàn)信息，正確識別目標已成為取得戰(zhàn)爭勝利所要考慮的首要問題。目標識別技術在現代戰(zhàn)爭中的地位極為重要，世界各國均在進行深入的研究。傳統(tǒng)的目標識別主要是基于雷達傳感器的，但雷達的先天性缺陷使得其面臨著"電子對抗、反輻射導彈、超低空突防和隱身飛機"等"四大威脅"，嚴重影響了其在目標識別中的應用。而紅外傳感器具有測角精度高、能提供目標圖像和目標識別能力強等優(yōu)點，但是其缺點是作用距離較近，受氣候影響較大，不能提供目標的距離等信息。
發(fā)明內容本發(fā)明為了提高機載傳感器目標識別的性能，充分發(fā)揮機載雷達和紅外傳感器的優(yōu)勢，達到資源共享，功能、性能相互彌補，以實現高精度的目標識別，提供了一種基于機載雷達和紅外成像傳感器數據融合的能目標識別方法，具體包括如下步驟步驟一、由紅外傳感器對目標進行識別，并產生對應的基本概率分配函數具體步驟為(1)利用小波的方法提取目標圖像的特征；(2)選擇區(qū)分度大的特征；(3)由步驟B得到區(qū)分度最大的特征，基于BP神經網絡設計區(qū)分此區(qū)分度最大的特征的分類器；(4)輸出結果歸一化得到基本概率分配函數M工；步驟二、由雷達對目標進行識別，并產生對應的基本概率分配函數M2。A、由雷達測得目標特征，并進行隸屬度的計算；B、模糊推理得到決策向量；C、輸出解模糊化；D、輸出結果歸一化得到基本概率分配函數M2;步驟三、運用D-S證據理論對雷達和紅外傳感器識別結果進行融合；通過機載雷達和紅外成像傳感器的數據融合，得到聯(lián)合基本概率分配函數M(A):M(/Q4-'xSM'WxM2O0其中尺=1-I]M,(x)xM,SM,(咖M2(力x和y分別為基本概率分配函數Mi和M2的自變量。步驟四、識別目標并作出決策。依據聯(lián)合基本概率分配函數，選取最大的聯(lián)合基本概率分配函數識別目標并作出決策。本發(fā)明的優(yōu)點在于(1)利用紅外成像傳感器得到的目標圖像比較準確的特點，采用了基于小波矩特征和BP神經網絡的圖像目標識別算法對目標進行識別；(2)本發(fā)明提出的基于模糊推理的目標識別方法，克服了由于雷達傳感器測得的數據具有很大的不確定性的缺陷；(3)從雷達和紅外傳感器識別算法分別得到待識別目標所屬類別的基本概率分配函數，用D-S證據組合規(guī)則將得到的兩個基本概率分配函數組合，最終實現了機載雷達和紅外傳感器的數據融合。(4)仿真結果表明，基于雷達和紅外傳感器數據融合的智能目標識別算法的識別效果要比單個雷達或單個紅外傳感器的識別效果好很多。圖1是本發(fā)明方法的步驟流程圖；圖2是紅外傳感器圖像目標識別方法的流程圖；圖3是基于雷達模糊推理的目標識別方法的流程圖；圖4是D-S方法用于雷達和紅外傳感器目標識別的數據融合的示意圖；圖5是6類飛機的原始二值bmp圖像。具體實施例方式下面將結合附圖和實施例對本發(fā)明作進一步的詳細說明。本發(fā)明是一種基于機載雷達和紅外成像傳感器數據融合的目標識別方法，該方法采用D-S證據理論方法對雷達和紅外傳感器識別的結果進行融合，最后根據決策規(guī)則給出決策，解決飛機目標識別問題。本發(fā)明提供的基于機載雷達和紅外成像傳感器數據融合的目標識別方法，具體通過如下步驟實現，流程圖如圖1所示步驟一、由紅外傳感器對目標進行識別，并產生對應的基本概率分配函數小波矩特征既能反映目標的全局信息，又具有對圖像結構精細特征的把握能力，因此把小波矩特征作為神經網絡的輸入，對圖像目標進行識別，可以使圖像識別的準確率和抗噪性都有較大的提高。該圖像識別算法，對6類飛機圖像目標(F15，F16，F4，F14，Su27，S35)進行識別，在圖像目標發(fā)生平移、旋轉、尺度變化、加噪變化后仍有很高的識別率。紅外傳感器對目標進行識別的流程如圖2所示，具體為步驟A、利用小波的方法提取目標圖像的特征。對紅外傳感器采集得到的圖像進行歸一化處理，將圖像轉化成標準大小(200*200像素)，然后將歸一化后的圖像進行極坐標轉換。利用小波變換的方法來提取圖像的特征。本文采用三次B樣條函數作為母小波函數"r)=4""+'gcos(2;r/。(2r一1)*exp(-(2。一^、)(6)其中，樣條次數n=3，基準系數a=0.697066，初始頻率f。=0.409177，方差0^=0.561145。小波函數沿著軸向定義為^>)=2(2V-")(7)小波矩提取由iK:rhi丁&(o)剩(8)獲得。其中，對角度積分S,(r)的計算，必須把變換離散化，即選取適當的角度間=2Ji/n，n通常取180，則角度積分為隔ae大。m(S,.，"W4H/(^K"一(9)W怖-o對得到的角度積分Sq(r)，利用小波函數在徑向區(qū)域{0《r《1}內提取特征iicriHi^>m.(">i(io)其中，m=0，1，2，3，n=0，1，2，...，2m+1，q=0，1，2，3。步驟B、選擇圖像特征中區(qū)分度最大的特征組；一個好的特征，必然在同類圖像內部差別比較小，在不同類圖像之間的差別比較對于每個小波矩特征I|Fm,n,qwarelrt|I，記第i類Si的特征I|Fm,n,qwarelrt|I的均值為Fm,n,r^tll)，標準方差為。(Si，IiFm,n,。wav^1|)，均值和標準方差的值可以通過大量的Si類別的樣本來求得。本文將計算區(qū)分特征Q(m，n)?！浮?，，叫i…-一'lfe'1l)+,，ik:i))式(11)和類間距的倒數的形式很相近，所以Q(||Fm,n,qwavelet|I，Si，Sj)的值越小，則類間距越大，說明此區(qū)分特征對第i類目標和第j類目標的識別能力越強。假設有I類目標，則有=Ze(lcTlkA)U2)Q(m，n)的值越小，說明這個特征對I類目標的識別性能越好。因此，在得到所有樣本的特征后，通過計算，選擇Q(m，n)值最小的特征作為神經網絡的輸入。本文選擇最小的4個Q(m，n)值所對應的特征作為最優(yōu)特征組，即區(qū)分度大的特征。步驟C、由步驟B得到區(qū)分度最大的特征組，基于BP神經網絡設計區(qū)分此區(qū)分度最大的特征組的分類器；本發(fā)明采用的BP神經網絡是一個3層前饋網絡，輸出的節(jié)點在區(qū)間[-l，l]取連續(xù)值。訓練相當于發(fā)現適當的互連權重，使得對應一個輸入樣本，能產生一個期望的輸出。期望的輸出是對應于輸入模式所屬類別的那個節(jié)點的輸出設為l，而其余所有的輸出節(jié)點設置為0。BP神經網絡選用下列參數(a)輸入層的節(jié)點數為4，即選擇4個最優(yōu)的小波矩特征；輸出層因為有6類飛機目標，所以取6個節(jié)點，即輸出維數是6;隱層節(jié)點數選為10。所述輸入層的節(jié)點數為最優(yōu)的小波矩特征向量的維數(b)本文所選的訓練方法為Levenberg-Marquardt法。(c)隱層和輸出層函數分別為tansig和purelin。tansig(n)=2/(l+exp(_2*n))-lpurelin(n)=n(d)最大訓練次數定為1000次；最小均方誤差定為le-8;最小梯度定為le_20。設定上述參數即可得到分類器。步驟D、輸出結果歸一化得到基本概率分配函數M工；將BP神經網絡的輸出進行歸一化處理，可以得到紅外傳感器圖像目標識別算法輸出的待識別目標所屬飛機類別的基本概率分配函數|c31IsI|CjI|cnIccccCjl+.其中q為圖像目標的神經網路輸出，c=IClI+1c21+1c31+...ICiI+.例如，對某個待識別的圖像目標，神經網絡輸出為令c=IcF151+1cF161+1cF41+1cF141+1cSu271+1cSu351，經過歸一化處理，得到該目標分別屬于各類飛機目標(F15，F16，F4，F14，Su27，S35)的基本概率分配函數為"F15lCF161Ccccccc步驟二、由雷達對目標進行識別，并產生對應的基本概率分配函數M2。本發(fā)明采用基于模糊推理的雷達目標識別方法進行目標識別，將雷達測量系統(tǒng)測得的飛機的飛行速度、雷達散射截面，飛行高度和雷達跟蹤系統(tǒng)估計的飛機的加速度等作為模糊推理識別系統(tǒng)的輸入，對6類飛機目標(F15，F16，F4，F14，Su27，Su35)進行識別。該模糊推理目標識別方法流程如圖3所示，具體為(1)由雷達測得目標特征，并進行隸屬度的計算；對雷達測量系統(tǒng)測得的飛機的飛行速度、雷達散射截面、飛行高度和雷達跟蹤系統(tǒng)所估計的飛機的加速度等輸入，本發(fā)明通過高斯隸屬度函數來確定未知目標對各類飛機的隸屬度，所述的高斯隸屬度函數如下式(13):(13);(F15)l(招其中Fi為飛機目標，c為均值，o為標準差。例如，測得待識別目標的雷達散射截面為rcs，該目標對F15的隸屬度y可以這樣確定p(/T15)-e習；丁其中，o=1，c=2。同理可以得到Prcs(F16)，yrcs(F4)，Prcs(F14)，iircs(Su27)，iircs(Su35)。同樣，對飛行速度、飛行高度和加速度等輸入經過計算可以分別得到待識別目標對各類飛機的隸7屬度。(2)模糊推理得到決策向量；用上述步驟(1)計算得到的隸屬度來構成推理規(guī)則矩陣R(即模糊關系)<formula>formulaseeoriginaldocumentpage8</formula>(14)確定四個輸入量在決策中所占的比重(即它們的權值)rcs權值為∞一，飛行高度權值為‰，速度權值為∞。，加速度權值為∞。。將這四個權值組成一個模糊向量AA=[(^)。。。(^)h(^)。(^)。](15)由此，對該飛機目標識別的最后決策向量B為<formula>formulaseeoriginaldocumentpage8</formula>(3)輸出解模糊化；本文采用最大隸屬度法則進行解模糊。這種方法是將模糊推理得到的結論(模糊集合)中最大隸屬度值所對應的元素作為模糊推理算法輸出的精確值。例如，對某個待識別目標，模糊推理輸出為B=[u。。。(F15)u。。。(F16)u。。。(F4)u。。。(F14)u。。。(Su27)u。。。(Su35)]’一。，則相應的輸出為F15，因為它所對應的隸屬度0．6698最大。(4)輸出結果歸一化得到基本概率分配函數兒。將模糊推理的輸出結果進行歸一化處理，可以得到雷達模糊推理識別算法輸出的待識別目標所屬飛機類別的基本概率分配函數兒。步驟三、運用D—s證據理論對雷達和紅外傳感器識別結果進行融合；D—s證據理論可以有效地處理不確定性信息，在信息融合中獲得了廣泛的應用。在D—s證據理論中，傳感器輸出的信息被表示為基本概率分配函數，即可信度分配函數；利用D—s證據組合規(guī)則可以將多個基本概率分配函數組合，從而產生一個聯(lián)合基本概率分配函數，實現多傳感器數據融合，最后根據決策規(guī)則進行決策。所述的D—s證據理論具體如下設D為樣本空間，領域內的命題都用D的子集表示，D中的元素是互斥的。定義l概率分配函數設函數M2。一，且滿足<formula>formulaseeoriginaldocumentpage8</formula>(1)<formula>formulaseeoriginaldocumentpage8</formula>(2)則稱M是2D上的概率分配函數，M(A)稱為命題A的基本概率分配函數。如圖4所示，將由雷達和紅外傳感器獲得的基本概率分配函數Ml、M2進行數據融合。對于上述步驟一和步驟二中得到的兩個基本概率分配函數Mi和M2，其正交和<formula>formulaseeoriginaldocumentpage9</formula>其中<formula>formulaseeoriginaldocumentpage9</formula>其中，x和y分別為基本概率分配函數M工和M2的自變量，M(A)表示聯(lián)合基本概率分配函數。步驟四、目標識別并作出決策。通過將雷達和紅外傳感器獲得的基本概率分配函數M"M2，根據D-S證據理論合成得到聯(lián)合基本概率分配函數。依據聯(lián)合基本概率分配函數，選取最大的聯(lián)合基本概率分配函數識別目標并作出決策。把D-S證據理論應用到飛機目標識別中，有6種待識別飛機目標(F15，F16，F4，F14，Su27，Su35)，先由雷達和紅外傳感器分別對目標進行識別，并產生對應的基本概率分配函數，再用D-S合成法則得到聯(lián)合基本概率分配函數，按最大隸屬度法則進行決策，即目標所屬類別應具有最大的隸屬度。其中，基于紅外傳感器的圖像目標識別算法所處理的原始二值bmp圖像如圖5所示。表1為D-S數據融合前后的結果對比。表1中，"實際"一列為所選樣本對應的實際目標種類，"結果"一列為識別決策結果。表中的數值為基本可信度分配值。"雷達"、"紅外"各行分別為各傳感器對同一目標進行識別的結果。"融合"一行表示經過D-S數據融合后的識別結果。表1D-S數據融合前后的結果對比<table>tableseeoriginaldocumentpage10</column></row><table>從表1可以看出，在第4行(不算標題行)，由于所選取的待識別紅外圖像(實際為F16)噪聲較大(為35%)，導致紅外圖像目標識別算法對其錯誤識別(誤識別為F14)，而經過D-S證據理論數據融合后正確識別了目標，如第6行所示，這說明D-S證據理論在基于雷達和紅外傳感器數據融合的智能目標識別中的應用是有效的。本發(fā)明提供的目標識別方法先由雷達和紅外傳感器分別對目標進行識別，并產生對應的基本概率分配函數，再用D-S合成法則得到聯(lián)合基本概率分配函數，并依據最大隸屬度法則進行決策，從而實現了智能目標識別。從融合前后的識別結果來看，融合后的識別精度相對于各傳感器分別識別的結果好得多。權利要求基于機載雷達和紅外成像傳感器數據融合的目標識別方法，其特征在于如下步驟步驟一、由紅外傳感器對目標進行識別，并產生對應的基本概率分配函數M1；具體步驟為(1)利用小波的方法提取目標圖像的特征；(2)選擇區(qū)分度最大的特征組；(3)由步驟(2)得到區(qū)分度最大的特征組，基于BP神經網絡設計區(qū)分此特征組的分類器；其中，BP神經網絡選用下列參數(a)確定輸入層的節(jié)點數、輸出層節(jié)點數、隱層節(jié)點數；所述輸入層的節(jié)點數為最優(yōu)的小波矩特征向量的維數；(b)所選的訓練方法為Levenberg-Marquardt法；(c)隱層和輸出層函數分別為tansig和purelin；tansig(n)＝2/(1+exp(-2＊n))-1；purelin(n)＝n；(d)最大訓練次數定為1000次；最小均方誤差定為1e-8；最小梯度定為1e-20；通過設定上述參數得到分類器；(4)輸出結果歸一化得到基本概率分配函數M1；基本概率分配函數M1<msup><mfencedopen='['close=']'><mtable><mtr><mtd><mfrac><mrow><mo>|</mo><msub><mi>c</mi><mn>1</mn></msub><mo>|</mo></mrow><mi>c</mi></mfrac></mtd><mtd><mfrac><mrow><mo>|</mo><msub><mi>c</mi><mn>2</mn></msub><mo>|</mo></mrow><mi>c</mi></mfrac></mtd><mtd><mfrac><mrow><mo>|</mo><msub><mi>c</mi><mn>3</mn></msub><mo>|</mo></mrow><mi>c</mi></mfrac></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><mfrac><mrow><mo>|</mo><msub><mi>c</mi><mi>i</mi></msub><mo>|</mo></mrow><mi>c</mi></mfrac></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><mfrac><mrow><mo>|</mo><msub><mi>c</mi><mi>j</mi></msub><mo>|</mo></mrow><mi>c</mi></mfrac></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><mfrac><mrow><mo>|</mo><msub><mi>c</mi><mi>n</mi></msub><mo>|</mo></mrow><mi>c</mi></mfrac></mtd></mtr></mtable></mfenced><mi>T</mi></msup>其中ci為圖像目標的神經網路輸出，c＝|c1|+|c2|+|c3|+…|ci|+…|cj|+…|cn|；步驟二、由雷達對目標進行識別，并產生對應的基本概率分配函數M2；A、由雷達測得目標特征，并進行隸屬度的計算；通過高斯隸屬度函數來確定未知目標對各類飛機的隸屬度，所述的高斯隸屬度函數如下式<mrow><msub><mi>μ</mi><mi>rcs</mi></msub><mrow><mo>(</mo><mi>Fi</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>e</mi><mrow><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><msup><mrow><mo>(</mo><mfrac><mrow><mi>rcs</mi><mo>-</mo><mi>c</mi></mrow><mi>σ</mi></mfrac><mo>)</mo></mrow><mn>2</mn></msup></mrow></msup></mrow>其中Fi為飛機目標，c為均值，σ為標準差；B、模糊推理得到決策向量；C、輸出解模糊化，采用最大隸屬度法則進行解模糊；D、輸出結果歸一化得到基本概率分配函數M2；步驟三、運用D-S證據理論對雷達和紅外傳感器識別結果進行融合；通過機載雷達和紅外成像傳感器的數據融合，得到聯(lián)合基本概率分配函數M(A)<mrow><mi>M</mi><mrow><mo>(</mo><mi>A</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>K</mi><mrow><mo>-</mo><mn>1</mn></mrow></msup><mo>×</mo><munder><mi>Σ</mi><mrow><mi>x</mi><mo>∩</mo><mi>y</mi><mo>=</mo><mi>A</mi></mrow></munder><msub><mi>M</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>×</mo><msub><mi>M</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>y</mi><mo>)</mo></mrow></mrow>其中<mrow><mi>K</mi><mo>=</mo><mn>1</mn><mo>-</mo><munder><mi>Σ</mi><mrow><mi>x</mi><mo>∩</mo><mi>y</mi><mo>=</mo><mi>Φ</mi></mrow></munder><msub><mi>M</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>×</mo><msub><mi>M</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><mrow><mi>x</mi><mo>∩</mo><mi>y</mi><mo>≠</mo><mi>Φ</mi></mrow></munder><msub><mi>M</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>×</mo><msub><mi>M</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>y</mi><mo>)</mo></mrow></mrow>x和y分別為基本概率分配函數M1和M2的自變量；步驟四、識別目標并作出決策；依據聯(lián)合基本概率分配函數，選取最大的聯(lián)合基本概率分配函數識別目標并作出決策。2.根據權利要求1所述的基于機載雷達和紅外成像傳感器數據融合的目標識別方法，其特征在于步驟一中所述的利用小波的方法提取目標圖像的特征過程為對紅外傳感器采集得到的圖像進行歸一化處理，將圖像轉化成標準大小，然后將歸一化后的圖像進行極坐標轉換；采用三次B樣條函數作為母小波函數<formula>formulaseeoriginaldocumentpage3</formula>其中，樣條次數n=3，基準系數a=0.697066，初始頻率f。=0.409177，方差《=0.561145;小波函數沿著軸向定義為<formula>formulaseeoriginaldocumentpage3</formula>小波矩提取由獲得，其中，角度積分S,(r)為對得到的角度積分Sq(r)，利用小波函數在徑向區(qū)域{0《r《1}內提取特征其中，m=0，1，2，3，n=0，1，2，...，2m+1，q=0，1，2，3。全文摘要本發(fā)明公開了一種基于機載雷達和紅外成像傳感器數據融合的目標識別方法，該方法首先由紅外傳感器對目標進行識別，并產生對應的基本概率分配函數M1；然后由雷達對目標進行識別，并產生對應的基本概率分配函數M2；運用D-S證據理論對雷達和紅外傳感器識別結果進行融合；最后識別目標并作出決策。本發(fā)明中雷達對目標進行識別采用基于模糊推理的目標識別方法，克服了由于雷達傳感器測得的數據具有很大的不確定性的缺陷，最終實現了機載雷達和紅外傳感器的數據融合。仿真結果表明，基于雷達和紅外傳感器數據融合的智能目標識別算法的識別效果要比單個雷達或單個紅外傳感器的識別效果好很多。文檔編號G01J5/00GK101697006SQ20091009258公開日2010年4月21日申請日期2009年9月18日優(yōu)先權日2009年9月18日發(fā)明者蔣宏申請人:北京航空航天大學;