[發(fā)明專利]基于非線性積分算法的多元目標(biāo)信息綜合處理方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202110343102.3
• 申請(qǐng)日: 2021-03-30
• 公開（公告）號(hào): CN113076991A
• 公開（公告）日: 2021-07-06
• 發(fā)明（設(shè)計(jì)）人: 朱宇濤;張志;王日冬;譚禮晉;時(shí)鴿;楊麗萍;姚梁希;余博;李娜;李超
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍93114部隊(duì)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08;G06T5/00;G06T7/33
• 代理公司: 北京天達(dá)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11386
• 代理人: 李明里

1.一種基于非線性積分算法的多元目標(biāo)信息綜合處理方法，其特征在于，包括以下步驟：

采用多源傳感設(shè)備對(duì)目標(biāo)進(jìn)行持續(xù)跟蹤采集，獲取包括目標(biāo)影像數(shù)據(jù)和傳感器數(shù)據(jù)在內(nèi)的多源異構(gòu)數(shù)據(jù)集；

對(duì)多源異構(gòu)數(shù)據(jù)集中的目標(biāo)影像數(shù)據(jù)進(jìn)行預(yù)處理得到第一類目標(biāo)數(shù)據(jù)；對(duì)多源異構(gòu)數(shù)據(jù)集中的傳感器數(shù)據(jù)進(jìn)行預(yù)處理得到第二類目標(biāo)數(shù)據(jù)；

采用深度神經(jīng)網(wǎng)絡(luò)模型分別對(duì)第一類目標(biāo)數(shù)據(jù)和第二類目標(biāo)數(shù)據(jù)進(jìn)行目標(biāo)狀態(tài)識(shí)別獲取第一類目標(biāo)識(shí)別信息和第二類目標(biāo)識(shí)別信息；

通過非線性的模糊積分算法對(duì)第一、第二類目標(biāo)識(shí)別信息進(jìn)行融合，獲取最終的目標(biāo)狀態(tài)識(shí)別結(jié)果。

2.根據(jù)權(quán)利要求1所述的多元目標(biāo)信息綜合處理方法，其特征在于，

對(duì)多源異構(gòu)數(shù)據(jù)集中的目標(biāo)影像數(shù)據(jù)進(jìn)行預(yù)處理包括影像配準(zhǔn)、影像多視、影像濾波和輻射校正。

3.根據(jù)權(quán)利要求2所述的多元目標(biāo)信息綜合處理方法，其特征在于，

所述對(duì)目標(biāo)影像數(shù)據(jù)進(jìn)行影像配準(zhǔn)、影像多視和影像濾波包括：

1)將攝像設(shè)備中同一個(gè)攝像頭在某一時(shí)間段內(nèi)采集相同目標(biāo)的影像數(shù)據(jù)按時(shí)間序列進(jìn)行排列，選擇時(shí)間最早或時(shí)間居中的影像作為主影像；

2)將除去主影像的其余影像與主影像進(jìn)行配準(zhǔn)；

3)對(duì)配準(zhǔn)后的影像數(shù)據(jù)進(jìn)行包括增強(qiáng)Lee濾波、Kuan濾波或自適應(yīng)濾波在內(nèi)的濾波處理，用于降低相干影像形成的斑點(diǎn)噪聲；

4)最后根據(jù)距離向分辨率、方位向分辨率和中心入射角設(shè)置影像數(shù)據(jù)的多視比，使影像數(shù)據(jù)的地距方位向和距離向分辨率一致。

4.根據(jù)權(quán)利要求2所述的多元目標(biāo)信息綜合處理方法，其特征在于，

所述輻射校正，通過以一幅清晰的目標(biāo)影像為參考影像，將其它目標(biāo)影像和參考影像進(jìn)行灰度匹配校正，建立各波段之間的RPC模型；并將其它目標(biāo)影像逐波段的歸一化到參考影像，使其它目標(biāo)影像和參考影像具有相同的輻射尺度。

5.根據(jù)權(quán)利要求1-4任一項(xiàng)所述的多元目標(biāo)信息綜合處理方法，其特征在于，

所述目標(biāo)影像數(shù)據(jù)為由包括紅外攝像頭、可見光攝像頭和SAR攝像頭在內(nèi)的攝像設(shè)備拍攝的數(shù)據(jù)；

所述傳感數(shù)據(jù)為由包括溫、濕度傳感器以及速度傳感器在內(nèi)的傳感器采集的數(shù)據(jù)。

6.根據(jù)權(quán)利要求1所述的多元目標(biāo)信息綜合處理方法，其特征在于，所述深度神經(jīng)網(wǎng)絡(luò)模型包括卷積神經(jīng)網(wǎng)絡(luò)和深度隨機(jī)配置網(wǎng)絡(luò)；

所述卷積神經(jīng)網(wǎng)絡(luò)用于對(duì)第一類目標(biāo)數(shù)據(jù)進(jìn)行特征目標(biāo)識(shí)別和目標(biāo)狀態(tài)識(shí)別獲取第一類目標(biāo)識(shí)別信息；

所述深度隨機(jī)配置網(wǎng)絡(luò)用于對(duì)第二類目標(biāo)數(shù)據(jù)進(jìn)行目標(biāo)狀態(tài)識(shí)別獲取第二類目標(biāo)識(shí)別信息。

7.根據(jù)權(quán)利要求1所述的多元目標(biāo)信息綜合處理方法，其特征在于，所述模糊積分算法，包括：

步驟S401、根據(jù)所述第一類目標(biāo)識(shí)別信息和第二類目標(biāo)識(shí)別信息建立目標(biāo)分類結(jié)果矩陣；目標(biāo)分類結(jié)果矩陣的每一列表示不同樣本對(duì)相同目標(biāo)的識(shí)別結(jié)果，其中目標(biāo)狀態(tài)正常記為0，目標(biāo)狀態(tài)異常記為1，每個(gè)矩陣的每一行表示同一樣本中不同目標(biāo)的識(shí)別結(jié)果；

步驟S402、在目標(biāo)分類結(jié)果矩陣中計(jì)算分類結(jié)果為1目標(biāo)狀態(tài)真實(shí)值為0的概率p₀₁，分類結(jié)果為1目標(biāo)狀態(tài)真實(shí)值為1的概率p₁₁，分類結(jié)果為0目標(biāo)狀態(tài)真實(shí)值為0的概率p₀₀，分類結(jié)果為0目標(biāo)狀態(tài)真實(shí)值為1的概率p₁₀；

步驟S403、采用Choquet模糊積分對(duì)目標(biāo)分類結(jié)果矩陣中的分類結(jié)果概率進(jìn)行融合，獲取最終的目標(biāo)狀態(tài)識(shí)別結(jié)果。

8.根據(jù)權(quán)利要求7所述的多元目標(biāo)信息綜合處理方法，其特征在于，Choquet模糊積分中，根據(jù)公式獲取可信度獲取模糊積分中的參數(shù)λ；式中g(shù)ⁱ代表第i個(gè)目標(biāo)的模糊密度；n為目標(biāo)的個(gè)數(shù)。