[發(fā)明專利]一種SVM（矢量機）模式的多目標識別判定方法

有效

• 申請?zhí)枺?/td>: 201410208358.3
• 申請日: 2014-05-16
• 公開（公告）號: CN104008403B
• 公開（公告）日: 2017-07-11
• 發(fā)明（設(shè)計）人: 陳志杰;湯錦輝;陸巖;方雷;劉穎辰;畢庶宣;劉兆云;周臣;邵欣;周永偉
• 申請（專利權(quán)）人: 中國人民解放軍空軍裝備研究院雷達與電子對抗研究所
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 北京金智普華知識產(chǎn)權(quán)代理有限公司11401
• 代理人: 巴曉艷

技術(shù)領(lǐng)域

本發(fā)明屬于對空射擊管理中的信息處理技術(shù)領(lǐng)域，特別涉及一種對空射擊管理中的一種多目標識別判定算法。

背景技術(shù)

隨著低空空域管理改革的深入，中國通用航空進入快速成長期，通用航空器的日益增加使低空空域飛行活動變的愈來愈錯綜復雜，從而為低空探測與安全監(jiān)視帶來了新的挑戰(zhàn)。

雷達以其固有的特點，是低空空管的必要設(shè)備。由于雷達電波的直線傳播以及地形遮擋物的影響，在對飛行目標監(jiān)視時存在大量的雷達盲區(qū)，限制了跟蹤精度的提高和短期沖突檢測告警的能力。低空圖像輔助監(jiān)視可以跟蹤低空目標，覆蓋性好，但受氣候影響較大，圖像輔助監(jiān)視配合雷達跟蹤系統(tǒng)可實現(xiàn)對空中目標的協(xié)同監(jiān)視，通過數(shù)據(jù)融合技術(shù)得到目標的精確位置，進而跟蹤低空目標，提高監(jiān)視系統(tǒng)的可靠性。

對目標跟蹤精度以及系統(tǒng)可靠性要求的提高，使得單一測量已經(jīng)無法滿足，利用多傳感器的多源信息對目標進行融合定位已成為目前研究的熱點。多傳感器的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)法以及基于交互多模型的多假設(shè)跟蹤法是常用的目標跟蹤定位方法，文獻“《基于紅外和雷達數(shù)據(jù)融合的機動目標跟蹤方法》，朱志宇，激光與紅外，2007年2月，第37卷，第2期，170-174”利用并行多傳感器聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)法，通過對紅外和雷達數(shù)據(jù)的融合實現(xiàn)對目標的跟蹤定位。但是這些 融合定位方法主要基于多傳感器的測量誤差為獨立高斯白噪聲的假設(shè)，條件過于理想。實際中，雷達與圖像監(jiān)視設(shè)備常常放在一個平臺上，平臺方位角和高低角的誤差導致了圖像和雷達測量噪聲具有相關(guān)性，而且，噪聲統(tǒng)計特性不可能為人們熟知，存在著各種不確定因素；如果地面布有多個監(jiān)視系統(tǒng)，融合估計時需要等效到同一坐標系，當監(jiān)視點距離較大時這種等效也會帶來關(guān)聯(lián)性誤差和不確定誤差。實踐表明，這些關(guān)聯(lián)性誤差和不確定性常常是影響融合估計精度的主要因素。而目前所給的融合定位方法無法考慮實際系統(tǒng)中的不確定因素，不能更貼切的描述實際系統(tǒng)。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種多源監(jiān)視信息多目標的判定方法。

對于K類分類問題，基于SVM的“一對多”方法需要訓練K個兩類分類器，故其所得到的分類函數(shù)的個數(shù)較少，分類速度相對較快，但其缺點是每個分類器的訓練都是將特征向量輸入全部的訓練樣本參加計算，這樣需要求解K個有1個變量的二次規(guī)劃問題，因此不適用于大規(guī)模訓練；而糾錯碼SVM雖然目標識別率較高，但是當目標種類較多時，需要構(gòu)造多個兩類分類器，由于二進制碼字符串的長度太長，效率低下。鑒于以上缺點，本發(fā)明將基于SVM的“一對多”方法與糾錯碼設(shè)計結(jié)合起來，先利用“一對多”方法對待識別目標進行粗分類，然后采用糾錯碼SVM進行精分類，最終確定待識別目標所屬具體類別或型號。這樣，不僅避免了“一對多”方法耗時長的缺點，還 提高了目標識別率。

所述的多源監(jiān)視信息目標判定算法，應用了分類算法、基于SVM糾錯解碼、空中目標分類原則、基于SVM的空中目標分類和糾錯碼矩陣；

進一步地，所述基于SVM糾錯解碼采用具有糾錯能力的編碼對類別進行編碼，并將SVM作為碼位分類器；

進一步地，所述基于SVM的對空中目標分類，包括粗分類步驟和精分類步驟，具體包括以下步驟：

粗分類步驟(包括步驟1-步驟3)：

步驟1給出空中目標的粗分類原則,并提取空中目標對于各個原則的特征，比如民用飛機、直升機等粗分類類別所對應的飛行高度、飛行速度等，粗分類是將空中目標分為五類：(1)民用飛機(2)軍用飛機(3)直升機(4)來襲導彈(5)鳥群、空飄物、虛假目標、遙控飛行器；

步驟2基于SVM“一對多”多分類法，根據(jù)粗分類的類別數(shù)N，構(gòu)造N個兩類分類器，比如有5個粗分類類別，就構(gòu)造5個兩類分類器。具體說明參見說明書附圖1；

步驟3將提取的特征分別代入N個兩類分類器，得到輸出向量，確定待識別目標所屬粗分類的類別；

精分類步驟(步驟4-步驟8)：

步驟4給出空中目標的精分類原則，比如按照作戰(zhàn)半徑分類，并提取空中目標的特征，比如提取軍用飛機中無人機、截擊機、殲擊 機等所有種類所對應的作戰(zhàn)半徑；

步驟5根據(jù)各個粗分類的類別所包含的具體類別數(shù)目K，給出合適的糾錯碼矩陣Q_K×S；其中K為行數(shù)，即類別數(shù)，S為列數(shù)，即二進制碼字符串的bit數(shù)(也即SVM分類器的個數(shù))，S需滿足條件：

步驟6利用SVM對給定的樣本進行訓練，確定超平面、罰函數(shù)等各種參數(shù)，得到S個碼位分類器，獲得支持向量機模型；

a、儲存步驟4中提取的特征；

b、將提取的特征歸一化；