基于贝叶斯数据融合的多尺度目标识别.pdf

《基于贝叶斯数据融合的多尺度目标识别.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第3l卷第ll期华中科技大学学报（自然科学版）Vol.3lNo.ll2003年ll月J.~uazhongUniv.ofsci.&Tech（.Naturescienceedition）Nov.2003基于贝叶斯数据融合的多尺度目标识别汪国有邹玉兰（华中科技大学图像识别与人工智能研究所）图像信息处理与智能控制教育部重点实验室摘要：针对红外电厂目标识别问题，提出了基于贝叶斯数据融合的多尺度目标识别方法.该方法研究了前视成像末制导过程中图像目标尺度变化引起的视点角度和特征尺度变化规律，建立了分层次的时空特征模型，根据显著性选取目标特征，采用贝叶斯网络把不同尺度下的显著性特征进行

2、融合，得到正确的识别结果.实验表明，该方法能将多尺度目标的不精确、不完整的特征进行融合处理，从而完成了目标的可靠识别.关键词：目标识别；贝叶斯网络；多尺度目标；特征融合中图分类号：TP39l.4文献标识码：A文章编号：l67l-45l2（2003）ll-0050-03式中，!a表示在视点i得到的T的前j-l个i，j-la!识别原理特征集合；Xa表示在视点i得到的T的第j个i，ja特征；P（Xa／T）表示在目标T条件下得到特i，jaa基于特征的目标识别方法［l，2］主要有两种：征Xa的概率.i，j目标分类和目标证实.目标分类的本质是利用目类似地，可以推出特征空间中不同特征

3、组的标分析的方法，获取空间域或变换域完整稳定的关系：目标特征表达，然而由于背景干扰和成像条件限P（T／!a，!a，⋯，!a）=P（T／al2i+la制，实际获取的目标图像必然存在畸变和失真，目!a，!a，⋯，!a）［P（Xa／T）／标信息是不完整、不精确的.目标证实则是根据已l2ii+laP（Xa）］（i=l，2，⋯，7-l）.知的目标模型特征，去搜索目标的各种特征，以寻i+l找与模型特征最相似的图像特征，从而确定特定目标是否出现在当前的图像中.文献［3］曾提出"目标建模一种“由上而下”的基于显著性知识的目标识别技由于多尺度目标［5］特征不仅具有尺度变化术，但未考虑多尺

4、度目标特征的尺度变化特性.因此，本文提出一种基于贝叶斯数据融合的特性，而且还可能具有结构完全不同的视图，因此目标识别方法，能对这些不精确、不完整的多尺度本研究建立了分层次的时空特征模型，它能反映目标图像特征进行融合，以完成目标的可靠识别.这些特征尺度和视图形态的变化.该模型由沿纵假设可能存在的目标集合记为｛T｝（a=l，向时间轴t的一组特征平面组成，两个相邻特征a平面之间的相关关系反映目标特征的尺度变化，2，⋯，K），目标Ta在某个视点上有P个显著性［3］特征，那么!aa，Xa，⋯，Xa］表示在而特征平面内特征集合反映了不同视点目标图像i=［Xili2iP特征之间的相关

5、性，并按照其显著性分层次地组视点i上目标T的特征矢量集合.那么!aa7>P=织和表达.［!a，!a，⋯，!a，!a，⋯，!a］T表示在7l2ii+l7结合红外电厂目标的特点，对目标特征进行（7=l，2，⋯）个典型视点上观察到的T的所有a建模.考虑同一尺度下不同视图形态的情况，经分特征矢量集，即特征空间.由贝叶斯理论［4］可推析发现，电厂具有3根并排的烟囱，它作为整体有出特征空间的横向关系：5个典型的三维观察平面，分别是：前表面、后表P（Ta／!a，Xa）=i，j-li，j面、左侧面、右侧面和上表面.假设对电厂的起始P（Ta／!a）［P（Xa／T）／P（Xa）］，观察点垂

6、直于目标前表面，即和前表面法线方向i，j-li，jai，j收稿日期：2003-04-l5.作者简介：汪国有（l965-），男，教授；武汉，华中科技大学图像识别与人工智能研究所（430074）.基金项目：武器装备预研基金资助项目.第11期汪国有等：基于贝叶斯数据融合的多尺度目标识别51夹角为0.在由远及近观察电厂目标的过程中，处获取的第j个特征，对于多目标识别问题，由于风力、方向传感器等因素影响，视点和前表面｛P（t）｝（k=1，2，⋯，K）为K个目标的后验概k法线方向的夹角!往往会偏移原来的角度，在［-180，+180］范围内变化.不失一般性，!大致符合正态分布N（0，

7、"2）（其中"2待定）.考虑对电厂3根烟囱的观察情况，由于对称性，只讨论［0，+180］的情况，如图1所示为电厂目标的横切面.图中，r表示烟囱的截面半径，r为观察点和电厂中心之间的距离，d表示两根烟囱的中心距离，虚线表示对烟囱的观察范围，实图2贝叶斯网络输入输出示意图线表示2根烟囱的内切线.率，对于单一目标识别问题，｛P（tk）｝（k=1，2）为目标和非目标的后验概率，计算公式如下：P（tk／｛!i，j｝）=P（tk／｛!i，j-1｝，xi，j）=P（tk／｛!i，j-1｝）P（xi，j／tk）／P（xi，j）.（1）式（1）是一个递归公