基于证据理论的模糊信息融合及其在目标识别中的应用

信息融合系统中的不确定性信息常常表现为模糊性和随机性信息。提出了一种在证据理论框架下实现模糊信息融合的方法。该方法首先基于随机集理论刻画模糊信息的隶属函数,获得了模糊观测下具有概然特性的似然函数,该似然函数表示在收集的模糊信息下确定为某一目标的可能性,在数值上表示了传感器信息对某一命题支持的程度,利用似然函数确定传感器输出的基本概率指派,最后利用Dempster-Shafer组合规则实现多传感器信息融合。

一种快速红外图像分割方法

为准确地实现目标识别,提出了将二维最大熵图像分割方法应用于红外图像实行分割.利用图像的二维直方图,二维最大熵分割方法不仅考虑了象素的灰度信息,而且还充分利用了象素的空间领域信息,能取得较为理想的分割结果.然而该方法所需的巨大运算量限制了其实际应用.运用PSO算法代替穷尽搜索获得阈值向量,求解速度可提高300～400倍,提高了分割效率.通过对实际的红外图像分割表明,这种方法简单、有效.

一种有效处理冲突证据的组合方法

为了有效融合高度冲突的证据 ,提出一种新的基于证据距离的组合方法 .首先引入了一个证据体距离函数 ,之后求出系统中各证据被其它证据所支持的程度 ,对支持度归一化后获得各个证据的可信度 ,并将可信度作为证据的权重 ,对系统中的证据加权平均后再利用Dempster组合规则实现信息融合 .与其它方法比较 ,该方法在系统存在伪证据 (干扰 )

红外序列图像的支持向量机分割方法

红外序列图像的准确分割是自动目标识别的关键,而当图像背景复杂时,传统的图像分割技术往往难以满足要求,为此,提出了基于支持向量机的红外序列图像分割方法。序列图像中的部分帧被作为训练样本,通过选择适合的模型参数,运用支持向量机方法建立学习机器,将后续图像帧中的目标从复杂的背景中识别出来,从而实现红外图像分割。实际红外序列图像分割表明,基于支持向量机的图像分割方法不需要复杂的预处理和后处理工作,分割效果理想,对于小目标的图像,识别正确率可达 99%。