[发明专利]一种基于D-S证据理论的特征融合识别方法及装置

权利要求书

1.一种基于D-S证据理论的特征融合识别方法，其特征在于，包括：

对训练样本图像和测试图像进行几何归一化，对图像进行γ校正，对图像进行差分高斯滤波，对图像进行对比度均衡化；

提取所述训练样本图像和所述测试图像的不变矩特征，并根据所述不变矩特征建立不变矩特征基本概率分配函数，具体包括：

计算与至少一个训练样本图像一一对应的训练不变矩特征矢量集，以及测试图像对应的测试不变矩特征矢量，其中，每一个训练样本图像对应有七个训练不变矩特征矢量，每一个测试图像对应有七个测试不变矩特征矢量，通过所述七个训练不变矩特征矢量和所述七个测试不变矩特征矢量计算各所述训练样本图像和所述测试图像之间的欧氏距离，并确定各欧氏距离中的最小欧氏距离为与所述测试图像对应的最小距离，对所述最小距离进行归一化，并构造满足D-S证据理论的不变矩特征基本概率分配函数；

其中，所述不变矩特征基本概率分配函数具体为：

其中，a为预设常数，_ni为训练样本图像的数量，d_i为归一化后的最小距离；

提取所述训练样本图像和所述测试图像的HOG特征，并根据所述HOG特征建立HOG特征基本概率分配函数，具体包括：

构造满足多分类要求的LR分类器，提取每一个所述训练样本图像的HOG特征，并将所述HOG特征输入到所述LR分类器中进行训练，得到最优的参数，将所述参数代入HOG特征基本概率分配函数，将所述测试图像输入到所述HOG特征基本概率分配函数中，得到对应的概率值；

通过改进D-S合成规则，对所述不变矩特征基本概率分配函数和所述HOG特征基本概率分配函数进行合成，得到信任度，所述改进D-S合成规则具体为：

其中，m(C)为信任度，K为修正系数，m₁(A_i)为所述不变矩特征基本概率分配函数，m₂(B_j)为所述HOG特征基本概率分配函数，A_i表示不变矩特征的集合，B_j表示HOG特征的集合，k＝1/K，确定满足判别规则的信度值为最终的识别结果。

2.根据权利要求1所述的基于D-S证据理论的特征融合识别方法，其特征在于，所述对所述最小距离进行归一化具体包括：

通过第一预设公式对所述最小距离进行归一化，所述第一预设公式具体为：

其中，d_i(min)为所述最小距离，ni为所述训练样本图像的数量，d_j为各所述训练样本图像和所述测试图像之间的欧氏距离，d_i为归一化后的最小距离。

3.根据权利要求1所述的基于D-S证据理论的特征融合识别方法，其特征在于，将所述测试图像输入到所述HOG特征基本概率分配函数中，得到对应的概率值具体包括：

所述HOG特征基本概率分配函数具体为：

其中，n为类别，x_i为HOG特征值，y_i表示x_i对应的真实类别标签，W为由权重组成的矩阵，b为多类逻辑回归模型的偏值；

所述将所述HOG特征输入到所述LR分类器中进行训练，得到最优的参数，将所述参数代入HOG特征基本概率分配函数具体包括：

将所述HOG特征输入到所述LR分类器中进行训练，通过第三预设公式在所述分类器训练中添加了参数w的正则化项，得到最优的参数，将所述参数代入HOG特征基本概率分配函数；

其中，所述第三预设公式具体为：

其中，n为类别，N为总的训练量，λ为正则化系数，l{y_i＝j}为指示函数，若y_i＝j为真，则l{y_i＝j}＝1，若y_i＝j为假，则l{y_i＝j}＝0，w为分类器模型训练需要学习的参数。