一种新证据组合规则应用于序列图像目标识别.docVIP

一种新的证据组合规则应用于序列图像目标识别 　　摘要：提出了一种新的证据理论组合规则，并结合BP神经网络和证据推理对序列图像目标识别问题进行应用。以修正的Hu不变矩为图像特征，利用数据融合的思想对来自目标的序列图像进行时间域融合处理。由BP神经网络对目标的初步识别结果构造基本置信指派函数，用该组合规则进行决策级数据融合，完成了三维飞机图像目标的识别仿真。仿真结果表明，新的组合规则结合BP神经网络的融合方法提高了三维飞机目标识别的准确性。 　　关键词：目标识别; D??S证据理论; 序列图像; 反向传播神经网络; 组合规则 　　中图分类号：TP391文献标志码：A 　　文章编号：1001-3695(2007)04-0170-03 　　 　　0引言?? 　　 　　三维空间的目标识别是计算机视觉领域的核心问题之一。由于目标的运动导致其相对于摄像机在不同方向角所呈现的图像姿态变化万千，使得在三维空间中进行目标识别的难度大大增加[1,2]。?? 　　传统的基于最近邻的识别方法依赖于目标数据库的完备性；但要建立一个完备的目标数据库是非常困难的。这就导致信息的不完备性。同时，该方法通常只利用一幅图像就获得识别结果，而从某个位置得到的不同目标图像可能非常相似。这就带来了识别结果的不确定性。对解决这种不完备、不确定的问题，证据推理有其独特的优势[2~4]。?? 　　证据理论在实际应用中，存在基本置信指派函数难以构造的问题。而人工神经网络由于具有自组织、自学习、自适应的特点，能不断地通过学习来调整网络连接权值达到识别、分类的目的。因此由神经网络的识别结果来构造基本置信指派函数是可行的。另外，证据的组合规则是证据理论应用的核心，不同的组合规则降低证据不确定性的能力不同。?? 　　考虑到仅依靠单一的目标图像信息来识别目标并不能得到较高的识别率，而证据理论的组合规则降低不确定性的能力又不一样。为了提高图像目标识别的准确性，本文提出一种按照平方加权系数分配冲突的组合规则，并将神经网络和D??S证据理论结合起来，应用在序列图像的智能目标识别问题中，以修正的不变矩作为图像特征；用神经网络对来自目标的多幅图像作初步识别，从而构造出基本置信指派函数；最后用基于本文组合规则的D??S理论进行决策级融合处理，得到最后的识别结果。?? 　　 　　1图像矩特征提取?? 　　 　　图像的矩特征是以图像分布的各阶矩来描述灰度统计特性的方法。它的一个很重要的特点就是具有平移、比例和旋转变化不变性。这对图像目标识别无疑是非常有用的。因此，图像矩特征在图像目标识别中得到了广泛的应用[1,2,5]。?? 　　对二值数字图像f(x,y)，(p+q)阶原点矩mpq和(p+q)阶中心矩μpq分别定义为?? 　　其中，(x,y)为图像f(x,y)的重心坐标。归一化中心矩ηpq定义为?? 　　Hu[6]利用二阶和三阶中心矩构造了七个不变矩。在Hu矩的基础上，文献[7]进一步给出了离散状态下各阶矩的计算方法。文献[8]给出了离散状态下Hu不变矩的平移性及旋转不变性的严格证明，并指出了该不变矩对比例因子不具有不变性。文献[5]提出图像正方形概念，对七个不变矩作了修正。修正后的归一化中心矩计算式如下：?? 　　其中，ρ0表示基准图像正方形的边长，ρ1表示发生比例变化后的图像正方形边长，那么比例因子为ρ=ρ1/ρ0。将归一化中心矩代入Hu的七个不变矩计算公式，所得的新的不变矩将具有比例、旋转和平移不变性。因此可以用这七个新的不变矩作为待识别图像的特征。?? 　　2一种新的证据组合规则?? 　　 　　证据理论将来自两个或多个证据体的置信函数通过Dempster组合规则融合起来得到一个新的置信函数，以融合后的置信函数作为判决的依据。假定辨识框架Θ上性质不同的两个证据B和C，其焦元分别为Bi和Cj，基本置信指派函数分别为m1和m2,则有如下Dempster组合规则：?? 　　其中，K为归一化因子，而m(A)确定了一个新的基本置信指派。对于多个证据的组合，可用组合规则对证据进行两两组合。?? 　　文献[9]指出，Dempster规则为了保持基本置信指派函数的归一性，在处理矛盾因子时,使两个证据的公共焦元的基本置信指派变为原来的1/(1-K)。这意味着把局部的冲突放在全局中去分配,但冲突指派并非所有焦元共同造成的,也并非基本置信指派大的公共焦元产生冲突的可能性大。这样分配会带来不合理性。提出一种根据系数L的吸收法组合规则：?? 　　其中，L表示指派值的一个限度，当两证据置信指派差在这个限度范围内，认为两证据对冲突的产生起同样的作用。所以冲突置信指派值应均分给两焦元。反之，若置信指派差超过这个范围，则把冲突置信指派分配给具有较大置信指派值的焦元。?? 　　吸