基于DSmT与HMM的序列飞机目标融合识别算法研究

摘要

随着图像处理、模式分类和人工智能的迅速发展，自动目标识别(AutomaticTarget Recognition，ATR)系统已成为现阶段和未来武器的主要组成部分。飞机目标识别作为ATR系统的重要领域之一，其在自动监视与侦查、精确制导和敌我身份识别等方面都有着重要的应用。在飞机自动目标识别中，由于飞机姿态多变、缺损和遮挡等原因导致正确识别率低下，本论文针对这些问题，利用特征信息与序列信息，对飞机飞行过程展开深入研究，主要工作如下:
　　在对主流的飞机目标算法研究的基础上，引入广泛应用的隐马尔可夫模型(Hidden Markov Model，HMM)对飞机飞行过程建模，并利用多特征融合构建观察值序列，提出一种基于DSmT(Dezert-Smarandache Theory)理论和隐马尔可夫模型相结合的多特征序列信息融合(Multiple Features and Sequential InformationFusion，MFSIF)飞机目标识别算法。本算法的特点在于:一、提取飞机目标的Hu矩特征和奇异值特征作为图像特征。二、利用概率神经网络(ProbabilistieNeural Network, PNN)作为分类工具，并构建基本信度赋值(Basic BeliefAssignment, BBA)，再利用DSmT理论对图像的不同特征进行多特征融合从而获得目标观察序列。三、对于获得的目标观察序列，利用隐马尔科夫模型对飞机序列信息进行融合，计算观察值序列与各个隐马尔可夫模型之间的相似度，从而完成多姿态变化的飞机目标识别。
　　最后，通过对序列飞机目标的仿真实验，表明本算法在飞机姿态发生较大的变化时，甚至飞机序列帧发生遮挡的情况下，依然可以保持较高的正确识别率，同时在实时性方面，本算法也满足飞机目标识别的要求。

目录

声明

摘要

第一章 绪论

1．1 课题的背景及意义

1．2 课题研究现状

1．3 本文的主要工作

1．4 本文的组织结构

第二章 图像特征提取

2．1 Hu矩

2．2 轮廓局部奇异值

第三章 基于DSmT的多特征融合

3．1 DSmT建模

3．1．1 DSmT理论

3．1．2 DSmT建模

3．2 BBA的PNN赋值

3．2．1 PNN的模型

3．2．2 PNN建模与BBA赋值

3．3 多特征DSmT融合

第四章 基于HMM的序列信息的融合

4．1 HMM介绍

4．1．1 HMM理论基础

4．1．2 HMM中的基本问题与相关算法

4．2 HMM建模

4．3 基于HMM的序列融合

第五章 基于DSmT与HMM的目标识别算法

5．1 训练环节

5．2 识别环节

5．3 算法流程

第六章 系统实现及仿真实验

6．1 系统实现

6．1．1 系统实现平台

6．1．2 功能模块介绍

6．2 仿真实验与分析

6．2．1 实验1：算法的正确识别率与实时性

6．2．2 实验2：DSmT与DST组合规则对比

6．2．3 实验3：采样窗口变化实验

6．2．4 实验4：尺寸缩放实验

6．2．5 实验5：目标改变实验

6．2．6 实验6：与多特征融合算法对比试验

6．2．7 实验7：与序列融合算法对比试验

6．2．8 实验8：图像遮挡实验

第七章 总结与展望

致谢

参考文献

攻读硕士学位期间的研究成果