[发明专利]一种时空信息融合的目标检测方法及系统

说明书

本发明涉及一种时空信息融合的目标检测方法及系统，属于信号处理技术领域。本发明在对输出证据进行融合前，先对各输出证据进行筛选，根据各输出证据之间的相关性，剔除分类效果差或证据相关度差的证据，阻挡了失效或不理想的分类结果进入融合过程，增强了输出证据对正确目标的支持程度，相对地降低了对其他目标的支持度。本发明一方面减少了计算量，提高了效率；另一方面加速了融合结果向着假设集聚集，减轻了由于个别基本概率赋值函数的不理想影响对待识别目标的输出证据，降低了误判或漏判的风险，提高了识别准确率。

技术领域

本发明涉及一种时空信息融合的目标检测方法及系统，属于信号处理技术领域。

背景技术

Dempster-Shafer(DS)证据理论具有较强的理论基础，既能处理随机性导致的不确定性，又能处理模糊性导致的不确定性，并且可以实现决策层的属性融合，运算量较低，能够很好的应用到时空信息融合过程中。递归集中式时空模型属于典型的信息融合模型，该模型对包络前沿、瞬时频率、无意调相、无意调频、双谱切片和自回归模型六种分类器的输出证据直接进行融合(融合框图如图1所示)。在该系统中，k时刻由6个分类器测得的目标识别信息与k-1时刻的目标识别信息m(k-1)组合以得到在k时刻总的目标识别融合信息。例如，2011年1月出版的《信号处理》上公开一篇名称为《基于DS理论的混合式时空域信息融合模型》的文章，该文章介绍了递归集中式数据融合过程，该过程也是将k-1时刻的集中式累计目标识别信息与k时刻由M个传感器测的的目标识别信息相组合，以得到k时刻总的目标识别融合信息。

在上递归集中式时空信息融合模型中，融合实时性好，且由于使用了整个系统的时空积累信息，因而它能得到比无反馈的结构更好的性能。但同时，该模型存在两个风险：1)计算量大，DS证据理论在计算上存在着潜在的指数爆炸风险，随着组合的证据增多而风险增加；2)可靠性较低，Dempster组合规则自身的组合灵敏性，导致基本概率赋值一个很小的变化都可能导致结果很大的变化。

发明内容

本发明的目的是提供一种时空信息融合的目标检测方法及系统，以解决目前时空信息融合目标检测过程中没有对证据筛选导致计算量大、可靠性低的问题。

本发明为解决上述技术问题而提供一种时空信息融合的目标检测方法，该信息融合方法包括以下步骤：

1)从待识别目标接收信号中提取设定个数的个体特征，并将各个体特征输入相应分类器得到输出证据，所述个体特征至少包括包络前沿、瞬时频率、无意调相、无意调频、双谱切片和自回归模型中任意三个；

2)分别计算各证据的基本概率赋值函数，根据各证据的基本概率赋值函数计算各证据之间的相关系数，判断各证据的相关系数是否满足设定条件；

3)利用DS证据理论对满足设定条件的证据进行信息融合，确定待识别目标。

本发明在对输出证据进行融合前，先对各输出证据进行筛选，根据各输出证据之间的相关性，剔除分类效果差或证据相关度差的证据，阻挡了失效或不理想的分类结果进入融合过程，增强了输出证据对正确目标的支持程度，相对地降低了对其他目标的支持度。本发明一方面减少了计算量，提高了效率；另一方面加速了融合结果向着假设集聚集，减轻了由于个别基本概率赋值函数的不理想影响对待识别目标的输出证据，降低了误判或漏判的风险，提高了识别准确率。

进一步地，本发明为了实现对证据的筛选，阻挡对融合结果不利的证据进行融合进程，剔除分类效果差或证据相关度差的证据，增强输出证据对正确目标的支持程度，给出了具体的筛选标准，所述步骤2)中的设定条件为：

α＝find(sum(ρ-eye(M,M))＞ε*M)