[發明專利]一種基于深度學習的多源數據融合目標識別方法

有效

• 申請號: 201910326562.8
• 申請日: 2019-04-23
• 公開（公告）號: CN110110765B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 何敏;喬曦雨;唐偉;陳俊希
• 申請（專利權）人: 四川九洲電器集團有限責任公司
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 錢成岑;管高峰

本發明公開了一種基于深度學習的多源數據融合目標識別方法，包括：步驟1，對待識別目標的多源數據進行數據預處理，獲取待識別目標的復合圖像；所述數據預處理的過程為：(1)對多源數據進行配準關聯；(2)將配準關聯后的多源數據進行可視化轉換為組合元素，將組合元素按一定的排列組合規則生成復合圖像；步驟2，將待識別目標的復合圖像輸入訓練完成的深度神經網絡模型進行識別；所述訓練完成的深度神經網絡模型為：深度神經網絡采用訓練目標的多源數據經數據預處理得到的復合圖像進行訓練得到的深度神經網絡模型。本發明利用深度學習技術，實現了多源數據融合目標識別，無需人工參與特征設計、權重賦值，具有較強的自學習能力和適應性。

技術領域

本發明涉及目標識別技術領域，尤其是一種基于深度學習的多源數據融合目標識別方法。

背景技術

多源數據融合是一種針對多源數據的處理手段，是目標識別領域(尤其是機載多傳感器應用場景)的核心技術之一。多源數據融合能基于多種傳感器(雷達、光電、紅外、攝像頭等)采集的數據，進行配準、關聯、組合等多層次、體系化處理，采取適當的判決手段，對目標狀態、身份信息做出判斷。其優勢在于不同來源的數據能從多個角度描述目標，能提升目標識別的準確性、可靠性。隨著數據源的豐富，多源數據融合方法還可以用來理解環境態勢，對目標意圖和威脅等級做出評判。

傳統的多源數據融合方法包括：

1.加權平均法：將不同來源的數據賦予加權系數后做平均得到最終結果。該方法簡單直觀，但在加權系數的確定上受人為主觀因素影響較大，此外該方法難以直接利用非結構化數據(如紅外圖像、可見光圖像等)；

2.Bayes估計法：以最小風險代價為基本模型，在給定一個預先似然估計和附加證據(觀測)條件下，更新一個假設的似然函數。該方法需人為定義先驗概率，當有多個可能的假設和多個條件相關時較為復雜；

3.D-S證據理論：D-S證據理論是Bayes理論的廣義擴展，它利用了概率區間和不確定區間來確定多證據下假設的似然函數。目前，該方法應用較為廣泛，在處理不確定因素(隨機、模糊)上有較大優勢，但它不能有效地處理矛盾的證據，且D-S方法具有的組合靈敏性(有時基本概率賦值的一個微小變化都可能導致結果很大的變化)會導致其在處理噪音數據上有較大困難。

4.此外，關于多源數據融合的方法還包括：卡爾曼濾波法、多Bayes方法、模板法等。

綜上所述，傳統的多源數據融合具有數據利用不充分(有些方法難以利用非結構化數據，如紅外圖像、可見光圖像等)，人工參與較多(權重賦值、特征設計等工作)，學習能力和適應性相對較差等不足。

發明內容

本發明所要解決的技術問題是：針對上述存在的問題，提供一種基于深度學習的多源數據融合目標識別方法，所述方法能充分利用各種類型數據(雷達數據、光電數據、紅外圖像、可見光圖像等數據)，自動完成特征提取和權重賦值，最終達到目標識別的效果，具有較強的自學習能力和適應性。

本發明采用的技術方案如下：

一種基于深度學習的多源數據融合目標識別方法，包括：

步驟1，對待識別目標的多源數據進行數據預處理，獲取待識別目標的復合圖像；所述數據預處理的過程為：(1)對多源數據進行配準關聯；(2)將配準關聯后的多源數據進行可視化轉換為組合元素，將組合元素按一定的排列組合規則生成復合圖像；

步驟2，將待識別目標的復合圖像輸入訓練完成的深度神經網絡模型進行識別；所述訓練完成的深度神經網絡模型為：深度神經網絡采用訓練目標的多源數據經數據預處理得到的復合圖像進行訓練得到的深度神經網絡模型。

進一步地，所述對多源數據進行配準關聯的方法包括：時間配準、空間配準和信息關聯。