基于相容系数的多传感器融合目标识别方法

针对车型识别技术存在类别判定冲突问题,提出基于相容系数的多传感器融合目标识别方法。首先,采用多假设思想实现多传感器异构数据聚类合并获取单帧融合检测结果;然后,计算证据之间的相容系数对证据冲突重新分配,结合Dezert-Smarandache理论(DSmT)来处理单帧融合后可能出现的证据冲突情况,并获取目标类别的准确识别结果。实测数据结果表明,该方法能克服传感器检测范围受限问题和类别判定冲突问题,目标识别准确率可达93%以上,降低了目标识别的漏检率和误检率,可达到良好的目标识别准确性能。

基于DSmT理论的多视角融合目标检测识别

现有无人车在目标检测中大多依靠单一检测视角进行多传感器数据融合,受传感器检测范围的局限,难以大幅提高准确率,且对融合过程中的类别判定的高冲突情况处理较少.针对以上问题,本文基于多假设思想提出了多视角检测结果的聚类合并方法,并基于DSmT(Dezert-Samarandache theory)和时序信息,改进了冲突分配准则,降低了目标检测的漏检率与误检率.首先利用图像检测算法检测图像中的有效目标,将激光雷达的目标检测结果投影在图像平面上,通过交并比关系构建2种传感器检测结果之间的关联概率矩阵,基于多假设思想实现聚类合并,获取单帧融合检测结果.针对融合过程中可能出现的类别判定冲突情况,利用DSmT融合识别置信度,并结合时序信息对冲突重新分配,获取目标类别的准确识别结果.最后,通过实车实验对算法的有效性进行了验证.