一种基于DSmT和HMM的序列飞机目标识别方法
【专利摘要】本发明公开了一种基于DSmT和HMM的序列飞机目标识别方法，首先，利用DSmT理论对飞机序列中的单幅图像进行多特征融合，以解决单一特征提供的信息不精确、不完全和不确定这一问题；然后，利用隐马尔可夫模型对飞机序列中的序列信息进行融合，利用序列融合来解决当飞机在姿态多变的情况下，在某一位置不同类别飞机的姿态比较相似，多特征融合提供的信息也不够准确这一问题。基于DSmT和HMM的飞机序列目标识别方法可以很好的利用多特征信息与序列信息来解决飞机目标识别中识别率低下这一问题。
【专利说明】—种基于DSmT和HMM的序列飞机目标识别方法
【技术领域】
[0001]本发明涉及一种基于DSmT和HMM的序列飞机目标识别方法，通过提取目标的序列图像的多特征信息与序列信息，利用DSmT证据理论和隐马尔可夫模型对多特征信息与序列信息进行融合，从而得到最终的识别结果，属于自动目标识别技术。
【背景技术】
[0002]自动目标识别(Automation Target Recognition, ATR)作为精确制导和敌我身份识别等问题的重要手段，在现代战争中占据着重要的地位。飞机目标识别作为ATR的重要领域之一，其由于红外摄像机获得的飞机姿态千变万化，且会发生畸变与遮挡等情况的发生，使得识别难度大大增加。
[0003]早期的识别算法主要是基于单一特征的目标识别算法。由于单一特征在飞机姿态多变的情况下由于特征之间的区分度不够大而导致误识别的发生。当基于单一特征的目标识别算法遇到瓶颈时，基于多特征融合与基于序列融合的目标识别算法被相继提出。
[0004]在多特征融合方面，杨福平等人(杨福平，白振兴.BP神经网络和DS证据理论的目标识别[J].火力与指挥控制，2006, 31 (10): 88-90.)提出了基于BP神经网络与DS (Dempster-Shafer)证据理论的多特征融合目标识别方法；李新德等人(李新德，杨伟东.一种飞机图像目标多特征信息融合识别方法[J].自动化学报，2012, 38 (8): 1298-1307)提出了一种基于Hu矩等特征、PNN网络和DSmT的多特征融合目标识别方法。
[0005]在序列融合方面，黄金等人(黄金，梁彦，程咏梅，等.基于序列图像的自动目标识别算法[J].航空学报，2006，27(1):87-93.)提出了一种基于Hu矩、BP网络和DS理论的序列融合目标识别算法；侯俊等人(侯俊，苗壮，潘泉.基于DSmT的序列图像智能融合目标识别方法[J].计算机应用，2006，26(1):120-122.)提出了以Hu矩为特征，采用BP神经网络和DSmT推理的序列融合目标识别算法。
[0006]基于多特征融合的目标识别算法先提取图像的多个不同特征，然后利用模式分类器对特征进行分类，然后利用证据理论对各个分类结果进行信息融合，利用图像的多特征融合来完成的最终识别。基于序列融合的目标识别算法先提取图像的单一特征，然后利用模式分类器对单一特征进行分类，然后利用证据理论把前后帧的识别结果进行信息融合，利用序列信息融合来完成目标的最终识别。前者虽然在特征方面弥补了单一特征在识别方面的不足，但是飞机在飞行过程中姿态多变，在某一位置不同类的飞机可能非常相似，这会给识别结果带来较大的不确定性，导致识别错误。而后者由于单一特征在飞机姿态多变和发生畸变情况下，单一特征提供的信息是不精确、不完全和不确定这一问题依然没有得到解决，其识别率和鲁棒性仍需探讨。
【发明内容】
[0007]发明目的:为了克服在飞机在飞行过程中，姿态多变的情况识别率低下、鲁棒性不够好这些问题，本发明将证据理论中的DSmT理论(Dezert-Smaradache Theory)和隐马尔可夫夫模型(Hidden Markov Model, HMM)相结合,对待识别的飞机序列进行多特征融合与序列融合，解决现有方法中的识别率低、鲁棒性不够好的这些问题；通过运用DSmT理论和HMM，利用飞机的多特征融合与序列信息融合，可以大大提高飞机的识别率与鲁棒性。
[0008]技术方案:为实现上述目的，本发明采用的技术方案为:
[0009]一种基于DSmT和HMM的序列飞机目标识别方法，对飞机飞行过程建模，同时利用飞机序列的多特征融合与序列融合，完成对飞机序列的目标识别，具体包括如下步骤:
[0010](I)训练PNN网络:首先进行图像特征提取，即提取样本序列中单幅飞机的矩阵特征和轮廓特征，具体为Hu矩和轮廓局部奇异值；然后分别对Hu矩和轮廓局部奇异值建立Hu矩的PNN网络和轮廓局部奇异值的PNN网络，将Hu矩的PNN网络和轮廓局部奇异值的PNN网络统称为PNN网络；利用提取好的Hu矩和轮廓局部奇异值对PNN网络进行训练，得到训练好的PNN网络；
[0011](2)获取目标识别率矩阵和统计样本序列的序列信息:使用训练好的PNN网络对样本序列中的飞机图像进行初识别，对初识别结果进行归一化并利用DSmT进行数据融合，根据融合结果得到目标识别率矩阵；对样本序列中的飞机进行人工标注并对序列信息进行统计得到一个状态转移矩阵；
[0012](3)训练隐马尔可夫模型:首先结合目标识别率矩阵和状态转移矩阵，完成各类飞机的隐马尔可夫模型的建模与初始化；然后利用飞机序列结合训练好的PNN网络获得观察值序列，利用观察值序列对隐马尔可夫模型进行训练，得到训练好的隐马尔可夫模型；
[0013](4)待识别飞机序列识别:使用训练好的PNN网络对待识别飞机序列进行初识别，得到初识别结果并对初识别结果进行归一化，将归一化的初识别结果与DSmT相结合得到观察值序列；然后使用隐马尔可夫模型中的前向算法，计算观察值序列与训练好的各类飞机的隐马尔可夫模型之间的相似度，选出相似度最大的值，其对应的飞机类别作为待识别飞机序列的识别结果；
[0014]其中飞机序列为样本序列中的一段，由当前帧与相邻的前几帧组成。
[0015]本发明利用DSmT理论对飞机序列中的单幅图像进行多特征融合，利用隐马尔可夫模型对飞机序列中的序列信息进行融合，利用飞机序列的多特征融合和序列融合相结合来完成飞机目标识别。其主要步骤是:首先，利用DSmT理论对飞机序列中的单幅图像进行多特征融合，以解决单一特征提供的信息不精确、不完全和不确定这一问题；然后，利用隐马尔可夫模型对飞机序列中的序列信息进行融合，利用序列融合来解决当飞机在姿态多变的情况下，在某一位置不同类别飞机的姿态比较相似，多特征融合提供的信息也不够准确这一问题。基于DSmT和HMM的飞机序列目标识别方法可以很好的利用多特征信息与序列信息来解决飞机目标识别中识别率低下这一问题。
[0016]具体的，所述步骤(3)中，使用Baum-Welch算法对隐马尔可夫模型进行参数估计，即对隐马尔可夫模型进行训练。
[0017]优选的，所述步骤(3)中，对每一飞机类别的隐马尔可夫模型的建模包括飞机模型的状态建模和飞机模型的观察值建模；
[0018]在进行飞机模型的状态建模时，要保证不同状态之间的区分度，本发明引入工程制图中广泛应用的三个视图来构建飞机状态，即使用飞机的俯视图、侧视图和主视图来构建飞机模型的三个状态；
[0019]在进行飞机模型的观察值建模时，利用飞机模型的状态值来构建飞机模型的观察值集合，即将每一个飞机模型的一个状态作为飞机模型的观察值集合中的一个元素；
[0020]即记有c个飞机类别:每个飞机类别有3个飞机模型的状态值，分别对应飞机的俯视图、侧视图和主视图；每个飞机类别有I个飞机模型的观察值集合，飞机模型的观察值集合包含三个观察值，分别对应飞机模型的三个状态值；c个飞机类别即有c个隐马尔可夫模型，共有3Xc个观察值。
[0021]本发明针对飞机序列中单幅图像的多特征融合过程进行建模，考虑到飞机目标识别这一应用领域，对DSmT理论中DSmT模型进行相应简化，采用完全排他性的与约束条件下的DSmT模型，即仅单子焦元具有赋值。信息融合时，首先利用PNN网络构建各个焦元的信度赋值，然后利用DSmT理论中的PCR5规则对各焦元信度赋值进行数据融合。
[0022]有益效果:本发明提供的基于DSmT和HMM的序列飞机目标识别方法，能够解决飞机目标识别在飞机姿态多变的情况下由于信息的不精确性、不完全性和不确定性引起的正确识别率低下的问题，且满足飞机目标识别对于实时性的要求。
【专利附图】
【附图说明】
[0023]图1为轮廓奇异值分布图；
[0024]图2为轮廓局部奇异值分布；
[0025]图3本发明方法的框架图；
[0026]图4为DSmT规则在Uf(O)的描述；
[0027]图5为隐马尔可夫模型(HMM);
[0028]图6为飞机状态,其中6(a)为俯视图,6(b)为侧视图,6 (C)为主视图；
[0029]图7本发明方法的流程图；
[0030]图8为7类别飞机的观察值，每行为一个类别飞机，左列为飞机的俯视图，中列为飞机的侧视图，右列为负极的主视图；
[0031]图9为正确识别率；
[0032]图10为尺寸缩放时的正确识别率；
[0033]图11为本发明与多特征融合算法的正确识别率对比；
[0034]图12为本发明与序列融合算法的正确识别率对比；
[0035]图13为飞机的部分遮挡。
【具体实施方式】
[0036]下面结合附图对本发明作更进一步的说明。
[0037]一种基于DSmT和HMM的序列飞机目标识别方法，利用序列飞机中单幅图像多特征融合信息和以及序列多图像融合信息相结合，完成目标识别:首先，提取飞机序列中单幅图像的Hu特征与轮廓局部奇异值特征作为证据源；然后，利用神经网络中的PNN网络根据不同特征分别进行飞机目标分类，并对分类结果进行归一化作为证据源的信度赋值；接着，利用DSmT证据理论中的PCR5公式对证据源进行融合并获得观察值序列；最后，计算观察值序列与不同类别飞机的隐马尔可夫模型之间的相似度，取相似度最大的所对应的类别为最终的识别结果。下面对本发明加以具体说明。
[0038]I图像特征提取
[0039]飞机在飞行过程中姿态多变，这就要求图像特征量在飞机目标发生平移、旋转和比例缩放时，特征值保持不变。在飞机特征方面，广泛应用的特征主要分为两类:矩特征和轮廓特征；在矩特征方面，本发明使用在图像目标识别中得到广泛应用的Hu矩；在轮廓特征方面，本发明在原有的轮廓奇异值提取基础上，提出了轮廓局部奇异值。
[0040]1.1Hu 矩
[0041]对于二值化的图像，(p+q)阶的原点矩mp(^P (p+q)阶中心矩μ M的定义分别为:
【权利要求】
1.一种基于DSmT和HMM的序列飞机目标识别方法，其特征在于:对飞机飞行过程建模，同时利用飞机序列的多特征融合与序列融合，完成对飞机序列的目标识别，具体包括如下步骤: (1)训练PNN网络:首先进行图像特征提取，即提取样本序列中单幅飞机的矩阵特征和轮廓特征，具体为Hu矩和轮廓局部奇异值；然后分别对Hu矩和轮廓局部奇异值建立Hu矩的PNN网络和轮廓局部奇异值的PNN网络，将Hu矩的PNN网络和轮廓局部奇异值的PNN网络统称为PNN网络；利用提取好的Hu矩和轮廓局部奇异值对PNN网络进行训练，得到训练好的PNN网络； (2)获取目标识别率矩阵和统计样本序列的序列信息:使用训练好的PNN网络对样本序列中的飞机图像进行初识别，对初识别结果进行归一化并利用DSmT进行数据融合，根据融合结果得到目标识别率矩阵；对样本序列中的飞机进行人工标注并对序列信息进行统计得到一个状态转移矩阵； (3)训练隐马尔可夫模型:首先结合目标识别率矩阵和状态转移矩阵，完成各类飞机的隐马尔可夫模型的建模与初始化；然后利用飞机序列结合训练好的PNN网络获得观察值序列，利用观察值序列对隐马尔可夫模型进行训练，得到训练好的隐马尔可夫模型； (4)待识别飞机序列识别:使用训练好的PNN网络对待识别飞机序列进行初识别，得到初识别结果并对初识别结果进行归一化，将归一化的初识别结果与DSmT相结合得到观察值序列；然后使用隐马尔可夫模型中的前向算法，计算观察值序列与训练好的各类飞机的隐马尔可夫模型之间的相似度，选出相似度最大的值，其对应的飞机类别作为待识别飞机序列的识别结果； 其中飞机序列为样本序列中的一段，由当前帧与相邻的前几帧组成。
2.根据权利要求1所述的基于DSmT和HMM的序列飞机目标识别方法，其特征在于:所述步骤(3)中，使用Baum-Welch算法对隐马尔可夫模型进行参数估计，即对隐马尔可夫模型进行训练。
3.根据权利要求1所述的基于DSmT和HMM的序列飞机目标识别方法，其特征在于:所述步骤(3)中，对每一飞机类别的隐马尔可夫模型的建模包括飞机模型的状态建模和飞机模型的观察值建模； 在进行飞机模型的状态建模时，要保证不同状态之间的区分度，具体使用飞机的俯视图、侧视图和主视图来构建飞机模型的三个状态； 在进行飞机模型的观察值建模时，利用飞机模型的状态值来构建飞机模型的观察值集合，即将每一个飞机模型的一个状态作为飞机模型的观察值集合中的一个元素； 即记有c个飞机类别:每个飞机类别有3个飞机模型的状态值，分别对应飞机的俯视图、侧视图和主视图；每个飞机类别有I个飞机模型的观察值集合，飞机模型的观察值集合包含三个观察值，分别对应飞机模型的三个状态值；c个飞机类别即有c个隐马尔可夫模型，共有3Xc个观察值。
【文档编号】G06K9/62GK103778441SQ201410065364
【公开日】2014年5月7日 申请日期:2014年2月26日 优先权日:2014年2月26日
【发明者】李新德, 潘锦东 申请人:东南大学