[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

说明书

本发明公开了一种基于D‑S证据理论的特征融合识别方法及装置，结合不变矩所具有的旋转、缩放和平移的不变性以及HOG特征，利用D_S证据理论组合不完全、不确定的优势，根据决策规则得到最终的识别，有效提高对于低质图像的识别准确度，相比于单一特征识别更具有鲁棒性。

技术领域

本发明涉及图像检测领域，尤其涉及一种目标检测方法、设备及计算机可读存储介质。

背景技术

对于车标识别，现有方法主要是基于模板匹配，特征点以及边缘检测等。模板匹配一种比较传统的图像分类方法，Wang等人提出一种使用模板匹配和边缘方向直方图进行车标分类的方法。然而这种方法通常需要大量的模板样本的收集，比较耗时,Psyllos等人提出一种基于SIFT的增强匹配算法，提高的识别精准度，但是基于特征点的算法对于原始图像要有比较高的分辨率，对于低分辨率的图像识别效果比较差。随着深度学习的发展，为提取低分辨图像特征提供了一种新的方法。Huang等人提出了一种基于卷积神经网络模型的方法，达到了精准识别的要求，平均准确度达到99.07％，但是训练时间过长，不满足实时性的要求。

发明内容

本发明提供的一种基于D-S证据理论的特征融合识别方法，解决了现有方法主要是基于模板匹配，特征点以及边缘检测等。模板匹配一种比较传统的图像分类方法，Wang等人提出一种使用模板匹配和边缘方向直方图进行车标分类的方法。然而这种方法通常需要大量的模板样本的收集，比较耗时,Psyllos等人提出一种基于SIFT的增强匹配算法，提高的识别精准度，但是基于特征点的算法对于原始图像要有比较高的分辨率，对于低分辨率的图像识别效果比较差。随着深度学习的发展，为提取低分辨图像特征提供了一种新的方法。Huang等人提出了一种基于卷积神经网络模型的方法，达到了精准识别的要求，平均准确度达到99.07％，但是训练时间过长，不满足实时性的要求的技术问题。

本发明提供的一种基于D-S证据理论的特征融合识别方法，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；

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；

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，k＝1/K，确定满足判别规则的信度值为最终的识别结果。

可选地，所述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证据理论的基本概率分配；

其中，所述基本概率分配具体为：

其中，a为预设常数。

可选地，所述对所述最小距离进行归一化具体包括：