D-S证据理论在时-空信息融合中的应用

多传感器的信息融合技术应用于导航、目标跟踪、目标识别等很多领域。目前用于信息融合的主要方法就是证据理论技术。论文给出了三种基于D-S证据理论的多传感器多个测量周期的信息融合(时-空信息融合)的方法。在仿真实验中对这三种方法进行了比较,分布式有反馈的方法是三种方法中最好的。

D-S证据理论的改进算法在时-空信息融合中的应用

研究基于D-S证据理论的时-空信息融合,即多传感器多测量周期的信息融合,给出了三种时-空信息融合的方法:集中式、分布式无反馈和有反馈的融合算法。采用这些传统的时-空信息融合方法时,最终的融合结果会产生概率分配过分集中的现象,而且证据冲突时还会产生有悖常理的结果。本文在传统证据理论的合成公式的基础上给出了一个有效的合成规则,并由此提出了改进的融合方法。证据冲突的概率按照各个命题的平均支持程度加权进行分配,从而提高了融合结果的可靠性与合理性。

基于矩阵分析的加权证据时空融合算法研究

在多传感器目标识别系统中,为解决各传感器可信度不一致的问题,提出加权证据的方法。为便于采用计算机实现,采用基于矩阵分析的D-S证据理论。考虑融合系统的时间性和空间性,先从空间域对多传感器进行空域信息融合,然后在此基础上对时间序列进行融合。最后进行判决,识别出目标。识别实例表明了该方法的正确性和有效性。

局部模板更新逆向联合稀疏表示目标跟踪算法

逆向联合稀疏表示算法可充分利用跟踪过程中的时间相似性和空间连续性,但由于遮挡、光照变化等的影响,易出现跟踪漂移。为解决上述问题,提出一种基于局部模板更新逆向联合稀疏表示目标跟踪算法,其通过逆向局部重构目标模板集完成逆向联合稀疏表示。首先,在首帧初始化目标模板集,利用粒子滤波获取候选图像,并对其分块处理,构建逆向联合稀疏编码模型;然后,利用交替方向乘子法求解出稀疏编码系数,并通过2步评分机制获取最优候选图像;最后,根据相似性得分判断当前帧是否存在局部遮挡,若无遮挡,则局部更新目标模板集以减少跟踪漂移现象。实验结果表明,本文算法的跟踪精度和成功率在OTB-2013数据集上分别达到了85.4%和62.8%,在OTB100数据集上分别达到了76.8%和68.6%,速度达到每秒5.76帧,能有效提高鲁棒性,减少跟踪漂移。