[發明專利]一種機載多傳感器目標識別系統與方法

有效

• 申請號: 201410206551.3
• 申請日: 2014-05-15
• 公開（公告）號: CN103955622B
• 公開（公告）日: 2017-01-18
• 發明（設計）人: 羅賀;尹艷平;胡笑旋;馬華偉;靳鵬;夏維;王國強;秦英祥
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 安徽省合肥新安專利代理有限責任公司34101
• 代理人: 何梅生

1.一種機載多傳感器目標識別系統，其特征是：所述系統的組成包括：證據沖突判斷及沖突消減模塊、基于折扣因子的證據修正模塊和修正后證據的融合模塊；

所述證據沖突判斷及沖突消減模塊根據所接收的機載證據列表，度量所述機載證據列表中兩兩機載證據的相似性系數，并判斷所述機載證據列表中的機載證據是否為沖突證據，若為沖突證據，則構造參考證據，并用所述參考證據替代所述沖突證據；若所述機載證據不為沖突證據，則機載證據保持不變；從而獲得更新的機載證據列表；

所述基于折扣因子的證據修正模塊用于度量所述更新的機載證據列表中每個機載證據的可靠性系數和不確定性系數；并用所述可靠性系數和不確定性系數構造每個機載證據的折扣因子；利用所述折扣因子對每個機載證據進行折扣運算，從而獲得再次更新的機載證據列表；

所述修正后證據的融合模塊對所述再次更新的機載證據列表通過Dempster組合規則進行組合，從而獲得目標識別結果。

2.一種利用權利要求1所述的機載多傳感器目標識別系統的目標識別方法，其特征是：

無人機在執行目標識別任務時，通過其機載傳感器獲得所有可能目標類型的信任程度值構成機載證據，由n個機載證據形成機載證據列表，所述機載證據列表記為m＝{m₁,m₂,...,m_i,...,m_n}，i＝1,...,n；m_i表示機載證據列表中第i個機載證據；所述第i個機載證據m_i包含的第s種目標類型記為β_s，s＝1,...,q，所述的目標類型組成的集合記為Ω＝{β₁,β₂,...,β_s,...,β_q}，所述目標類型組成的集合Ω的冪集中第k個子集記為θ_k，k＝1,...,2^q；令所述第i個機載證據m_i對所述目標類型組成的集合Ω的冪集所包含的第k個子集θ_k的信任程度值記為m_i(θ_k)，所述m_i(θ_k)的取值范圍為[0,1]；所述第i個機載證據m_i的組成包括{m_i(θ₁),m_i(θ₂),...,m_i(θ_2q)}；

所述機載多傳感器目標識別系統的識別方法是按如下步驟進行：

步驟1、利用式(1)獲得兩兩機載證據的相似性系數sim(m_i,m_j)：

sim(mi,mj)=mi·mj||mi||·||mj||---(1)]]>

式(1)中，j＝1,…,n，||m||＝m·m,并有：

mi·mj-Σk=12qmi(θk)·mj(θk)---(2);]]>

步驟2、沖突判斷：

所述證據沖突判斷及沖突消減模塊根據所述相似性系數sim(m_i,m_j)與預先設定的相似度閾值進行判斷，若所述相似性系數sim(m_i,m_j)小于相似度閾值，則記錄判斷結果為“FALSE”，表示所述第i個機載證據m_i和第j個機載證據m_j之間不存在沖突；若所述相似性系數sim(m_i,m_j)大于或等于相似度閾值，則記錄判斷結果為“TRUE”，表示所述第i個機載證據m_i和第j個機載證據m_j之間存在沖突；

在機載證據列表中，若第i個機載證據m_i與其他各機載證據的判斷結果為“TRUE”的數量超過所述機載證據總數n的一半時，則認為該條機載證據為沖突證據；

步驟3、利用式(3)構造參考證據m_ave：

mave=Σi=1n(Σj=1,j≠insim(mi,mj)Σi=1nΣj=1,j≠insim(mi,mj)·mi)---(3)]]>

步驟4、獲得更新的機載證據列表m′={m1′,m2′,...,mi′,...,mn′},i=1,...,n:]]>

若第i個機載證據m_i為沖突證據，則將所述參考證據m_ave替代所述沖突證據；若第i個機載證據m_i不是沖突證據，則第i個機載證據m_i保持不變。

步驟5、所述基于折扣因子的證據修正模塊利用式(4)度量更新后的第i個機載證據的可靠性系數cre_i：

crei=e-Σj=1n{max{BetPmi′(βs)-BetPmj′(βs)}}---(4)]]>

式(4)中，為Pignistic概率函數，表征取BetPmmi′(βs)-BetPmj′(βs)]]>中的最大值，并有：

BetPmi′(βs)=Σβs∈θkmi′(θk)|θk|---(5)]]>

式(5)中，|θ_k|表示所述目標類型組成的集合Ω的冪集中第k個子集θ_k中包含的目標類型的個數；

步驟6、所述基于折扣因子的證據修正模塊利用式(6)度量更新后的第i個機載證據的不確定性系數uceri：

uceri=-Σβs∈ΘPmi′(βs)log2(Pmi′(βs))/max{-Σβs∈ΩPmi′log2(Pmi′(βs))}---(6)]]>

式(6)中，Pmi′(βs)=Σβs∈θk⊆Ω(mi′(θk)·mi′(βs)Σβr∈θkmi′(βr)),r=1,...,q;]]>

步驟7、根據所述可靠性系數cre_i和不確定性系數ucer_i，利用式(7)構造更新后的第i個機載證據的折扣因子α_i：

ai=crei·uceri-1/max{crei·uceri-1}---(7)]]>

步驟8、根據所述折扣因子α_i，利用式(8)對更新后的第i個機載證據進行折扣運算，獲得再次更新的機載證據列表m′′={m1′′,m2′′,...,mi′′,...,mn′′},i=1,...,n:]]>

mi′′(βs)=aimi′(βs),βs⋐Ω1-Σβt⋐Ωaimi′(βt),βs=Ω,t≠s,t=1,...,q---(8)]]>

步驟9、所述修正后證據的融合模塊根據Dempster組合規則利用式(9)獲得n條機載證據的融合結果m(β_s)：

m(βs)=Σ∩i=1nβv=βs∏i=1nmi′′(βv)1-Σ∩i=1nβv=∅∏i=1nmj′′(βv),v=1,...,q---(9)]]>

式(9)中，融合結果m(β_s)表征在最大信任程度值m(β_s)時所獲得的目標類型為β_s，s＝1,...,q。