第九讲融合分类与识别

单调增的融 规 2.1. 合u0d(u1,u2,...,uNu0P(u1,u2,...,uN|H1)P(u1,u2,...,uN|H0)u0 融合规 融合规异 的融合规[u(1u)]n2u] P=1-P,则：1log1log令[u(1u)] ]1PP1[ui (1ui)-q1q =q1q q1q 1q Klog Nloglog时，最优Kq1q 1q C1q log K[K如果K0,K q1q logq1q 接受或先验假设 有监督和无监督分类几个-《目标探测与识别》 等编目标截获:目标截获(TargetAcquisition)是将位置不确定的目标图像定位，并按所期望的水平辨别它的整个过程。搜寻:搜寻(Search)是利用器件显示或肉眼视觉，搜索含有潜在目标的景物以定位捕获目标的过程。位置确定:位置确定(Localize)或定位乃是通过搜寻过程确定出目标的位置。辨别:辨别(鉴别，Discrimination)是指这样一个过程，在这个过程中，物体(目标)在被观察者所察觉的细节量的基础上确定看得清的程度。辨别的等级可分为探测、识别、确认。几个几个-《目标探测与识别》 等编探测:探测(检测，Detection)可分为纯探测(PureDetection)和辨别探测（DiscriminationDetection)两种。前者是在局部均匀的背 数据层融合分类分类的计算对象是由多源数据融合形成的一个新分类的计算对象是由决策层融合分类分类结果，融合分类是对这些局部分类结果的进一步分类，所以文献中也常称其为多分类器融合。多个ESM直接融设红外热图像和可视光学图像分别为T(xy和V(xy，配准了的图像f(x,y)为：f(x,y)wt(x,y)T(x,y)wv(x,y)V(x,1.经过PCA2.然而，ICA1.经过PCA2.然而，ICA3.图8.43中的第一个独立分量图像表明了4.在第二个独立分量图像中突出了5.在第三个独立分量图像中主要突出采用ICA2.有些地物变化区域(d)1.有些地物变化区域(c)采用最大似然分类方法检测变化区域，提取结果如图8.4.4中（a）和所示，从(c)和(d) 由于眼镜阻塞了一大部分热能，丢失热图像中眼镜部分的有用信息。移走眼镜的处理方法：然后用整个人脸热均值与眼镜部均值比值调整眼睛部分的灰度。这样就可以消除眼镜带来的不利影响。对不带眼镜对不带眼镜的的人脸检测实验中，分析头十个最好匹配的统计分析表明，由于光照变化基于可见光图像的检测方法有相对低的成功检测率；对带眼镜的人脸检测实验中，分析头五个最好匹配的统计分析表明，如果不采用移走眼镜的预处理，基于红外图像的检测和基于数据层融合的检测算法都具有较低的成功检测率；基于变换的方法是将变换为 像进行分类 多源图像经过ＰＣＡ或者ＩＣＡ变换，是为了突出区分待分类目标类别的更本质的特征，从原始的多图像集变换为新的多图像集。 采用最大似然分类方法检测变化区域，提取结果如图..4中（a）和（b）所示，从和d可以看出：有些地物变化区域(c)的灰度分布接 分有些地物变化区域(d)的灰度分布明显偏 分采用ICA的方法能够很好地分离出 分布的变化区域这些图像因为来自同一个高光谱成 这样每个像元就有数百个不同波段的灰度值，高光谱图像分类正是在这样 一个像元中同时具有两种或 建筑物顶部Ａ、Ｂ、Ｃ、Ｄ 行车 黑色：未标 CRF方法黑色：未标蓝色：正确分类分类结果蓝色 人脸也存在的分布、各个 在每个带上进行C分析，基于整个方差计算出的中止点选择出每个带的最好的主分量，再形成一个人脸的表述矢量（本征带矢量）；将人脸的前视图像分布划分为多个水平和垂直的带，每个带都有明显的人脸特性，诸如头发、前额、眼睛、鼻子、嘴和下巴；–使用：常常建立在多特征形成的特征矢量基础上，可以采用距离、HMM（隐含随机场）、神经网络方法、SVM等常用的分类器形式；–分级使用：引入了决策树的层次处理结构，每层使用部分特征，可以加快处理速度。ABC模D用于检测飞机的SAR 基于多波段边缘融合编组的融合基于像提取线段的融合段提取的阶段就融合多 像的信息，容易利基于多波段边缘融合编组的融合基于像提取线段的融合段提取的阶段就融合多 像的信息，容易利的互补信息。性能明显优于第一个方法。可以进一步用于多时相图像的直线段提取，提取道路和道路网等。采用模糊融合算法，融合特征属性采用模糊融合算法，融合特征属性A和B是检测飞机的主体，由融合特征属性C和D获得先验信息，表明飞机必须停放在地面、特别是柏油或者水泥地面上，降低虚警概率。基于显显段 段直像 直取 段 段取融 线 段取合融合组合融合组N像 利用单波段的线段 息不够丰富，融合的线段会产生取 裂，会使有意义的目标边 成几DAFEDAFE决策层融合分类在很大程度上是指多分类器融合分类，每个分类器的输出都是具有一定层次的局部决策。利用不同类型传感器的互补性，直接在各类传感器数据分类基础上进一步融合分类可以克服单传感器的性能弱点；从实际计算处理的需求考虑，利用单一分类器处理所有信源信息给计算、通信等带来负担，且需要对初始条件或参数做限制，采用多分类器组合可以减轻这方面的压力，提高融合分类效率。在完全对应等特点，采用特征层融合会遇到一些，采用决策层融合更加可行。 DAI-DAODAI-DAODAI-FEO特征级融 FEI-FEO融FEI-DEODEI-DEODEO:Decision 1.1.2.基于D_S理论的目标识3.4.*(o,o,,oS(s,s,,s,,,,oˆargmax｛p(oˆ1,oˆ2,,oˆM|o)p(o)p(oˆ1oˆ2,,oˆM|o)是在给定未知目标o的情况下，传感器oˆ1oˆ2,,oˆM的条件联合概率，p(o)o的先验概率，p(oˆ1,oˆ2,,oˆM)是传感器目标识别估计的联合概率。o无关，因而MAP｝，MAP目标识别融合估计也可写为：利用oˆargmaxp(o|oˆ1oˆ2,,oˆMp(oˆ|oˆ1,oˆ2,,oˆM)maxp(o|oˆ1,oˆ2,,oˆM设o是未知目标，其MAP目标识别融合估计为oˆMP假定有M个传感器探测相同主体（即相同的识别框架），每个传感器可提供N个不同的假定有M个传感器探测相同主体（即相同的识别框架），每个传感器可提供N个不同的MMoˆargmax｛p(o)p(oˆi| iM i 目标决策概率zzAB观测，有z和z。如果先获取传感器A的观z，其后获得传感器B的观测z，组合系统的整个似然函数是P(zA,zB|x)P(zA|x)P(zB|假定有一致先验分布，如果先获取传感器A的观测是zAzA1，其后获得传感器B的观测是zBzB1，则后验概率为(045,045,01)(045,01,045)(06924,01538,0mi(k i1,...,M,j1,...,jNi(k1)1mi(kj本概率赋值为：m, 为止，更新目标识别的累积基本概率赋值mi(k)(k)1mi设BEL1和BEL2是同一识别框架U上的两个信任函数m1和m2分别为对应的基本概率赋值，焦元分别为：A1A2,Ak和B1B2,Br,又设：K1m1Ai)m2Bj) m1(Ai)m2(Bjm(C)ACU,C 1 C式中：若K1,则m确定一个基本概率赋值；利用组合规则对传感器i和传感器l的时域累积信息进行空域融合的情况如下表。 m(k)m(k)m(k)m(k)m(k)m(k)(k)(k)m(km(k)1K其中：Km(k)m(k(k)1Kmax{Ci(oj)|j1,2,,N,i1,,Ci(oj1;M2,i1,,iMR则传感器i对目标oj的基本概率赋值为 如何给mi(oj)li Nl火力与指挥控制，第卷第 NN Nmn mnV1nV(k A1nA(kk k1n(V(k)V) 1n(A(k)A) k kmmin{{VmAm},1} Tlf是航迹（用扫描数度量），则定义由mmin{Ntrue, 令U1,2,,j,,N}表示NS{1,2,,i,,M}表示M个传感器序号UiS,记第i个传感器的目标识别报告为Ci,Ci{(o1,mi1),(o2,mi2),,(oN,miN Ci＝mij/oj,i其中mij表示第i个传感器被识别目标属于第j类的隶属度，0mij1能性分布的形式表示。设K是在U上取值的变量，iS,给定命题范式“K是Ci，将导出一个与能性分布的形式表示。设K是在U上取值的变量，iS,给定命题范式“K是Ci，将导出一个与 i(j)(j)m,iS，j imij/oj,i m1，当jj0，当jj于U是U上的一个非模糊集，而者对“事实K是U"不能确定，带有信任度f的“事实K是U"表示K取U之外的可能性是1f,即：m 当jU1f，当jU ii(kmij(k k1 m(k1)/ 将k1时刻的累积融合可能性分布与k时刻的测量可i个传感器到k时刻为止的目标识别累积融合可能性分布kikm(k)/ m(k)S[m(k1),m S:[0,1]20,1]2在得到在得到k时刻各传感器的积累目标识别可能性分布i1Mm/mS[m,m,...,m)M(k[0,1]k,映射S:[0,1]k0,1 保序性，即M(k)，M(k[0,1]k Mij(k)Mip(k)Sk(Mij(k))Sk(Mip综合性，即M(k[0,1]k dij(l)Sk(Mij(k))dijl lS(M(k))[1dq(lS(M(k))[1dq(l)]1/q,q kSk(Mij(k))[dij(l)]1/lS(M(k))1[kd(l)kd 2 S(M(k))[adq(l)]1/q,q0,a[0,1],a l 先识别信再构造被识别目标的部分假设集，并伴随 1,当jU表示K取Ui之外的可能性是1-mijk(j)1fi,当jU mi(j)1,当jU1f,当j 设有２个目标类型 11/o10.4/信任度报告f为： 20.2/o11/ 1/o0.2/ 1/o0.2/ 51/o10.2/o１１１１１5S5[m1j,m2j,...,m5j][mij]1/50.73/o10.32/o151 2 5 5 S[m,m,...,m] m0.84/o0.4/S2[m1j,m2j][m1jm2j]1/20.45/o10.63/oS[m,m]1[mm]0.6/o0.7/21 2 21 2 –– 多个ESM对多个电子辐 X=(RF,PW,PRT,PRF,AVS,载频脉宽 –警戒或搜 脉冲上升沿时间–导航重频 –制 天线扫描速度ASV与辐 –火 源到达方位AOA –引 A=(S,N,G,F,C)建立模糊关系,建立模糊因素变量X糊辩识对象集A的模糊隶属函数与模糊评 建立模糊关系,建立模糊因素变量X糊辩识对象集A的模糊隶属函数与模糊评 获取评判对象