(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210869911.2 (22)申请日 2022.07.22 (71)申请人 中国人民解 放军战略支援 部队航天 工程大学 地址 100083 北京市海淀区学院路37号 (72)发明人 唐晓刚　李海滨　陈龙　潘协昭　 (74)专利代理 机构 北京天盾知识产权代理有限 公司 11421 专利代理师 姜有保 (51)Int.Cl. G06V 10/776(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/80(2022.01) G06V 10/62(2022.01)G06V 10/143(2022.01) (54)发明名称 一种多源信息融合 不确定性判别方法 (57)摘要 本发明公开了一种多源信息融合不确定性 判别方法， 包括在分析目标跟踪过程中目标距离 不断变化， 研究可见光传感器、 红外传感器及激 光雷达三个独传感器的灰度和熵特征、 颜色、 形 状四维的独立特征， 并通过建立低空目标动态识 别问题描述基础上， 分析传感器探测距离适应 性； 基于分类器识别特性及特征空间分布规律提 出BPA基本构造方法； 基于SV M的多源分类器融入 D‑S证据理论实现了多传感器融合识别框架； 运 用回归方法将离散距离BPA结果拟合出了连续距 离信度分配策略； 提出了广域目标搜索系统搜索 状态及跟踪状态切换问题。 解决了野外环境大范 围飞行目标识别， 存在单一传感器随距离大范围 变化适应性问题， 以及多个传感器在不同距离条 件下识别不确定问题。 权利要求书4页 说明书9页 附图1页 CN 115457351 A 2022.12.09 CN 115457351 A 1.一种多源信息融合 不确定性判别方法， 其特 征在于： 包括以下步骤 步骤一、 独立特征分析， 采集不同光照条件下目标典型离散距离下图像样本， 依据目标 先验知识进行图像预处理， 并自动标识疑似目标， 提取样本疑似目标的灰度、 熵、 颜色以及 形状的四维独立特 征， 并进行分析； 步骤二、 多源信 息采集及目标信息提取， 对于红外和可见光系统 的灰度值， 采用灰度均 值对比度衡量目标窗口内的平均灰度和相邻背景区域的差别， 以此区分远距离微小目标； 步骤三、 构造基于信度回归的多源信息融合识别框架， 识别框架下的证据； 步骤四、 构造BPA函数， 采用识别算法构造分类器， 通过对分类器同一模式的分类倾向 求差值来得到分类器分类能力的差异度量值， 进而定义分类器的可信度向量， 依据上述基 分类器可信度评价方法， 给 出分类器的分布规 律， 并结合各分类 器识别精度构造BPA函数； 步骤五、 建立BBR模型,不同距离下目标的显著性特征不同， 远距离条件下局部灰度均 值对比度和局部熵是目标的显著 性特征； 近距离条件下色度 矩和形状度是目标的显著性特 征； 步骤六、 联合评价粒度广域目标搜索判别， 首先， 其值与目标搜索范围有关， 当搜索区 域靠近或涵盖目标落点先验概率高区域， 其搜索信息粒度升高； 同时， 其值与传感器分辨率 及捕获概率有关， 当传感器分辨率高、 区域条件下捕获概率高时， 其搜索信息粒度值升高； 最后， 其值与分类 器识别的目标相似度有关， 当识别目标相似度高， 其信息粒度将升高。 2.根据权利要求1所述的一种 多源信息融合不确定性判别方法， 其特征在于： 所述步骤 一中， 对于样本 疑似目标四维独立特征的提取， 选用可见光传感器、 红外传感器及激光雷达 三个独立传感器分别测量。 3.根据权利要求1所述的一种 多源信息融合不确定性判别方法， 其特征在于： 所述步骤 二中， 灰度值的定义 为： 其中， 和 分别为当前像素g(x,y) 所在内窗口和外窗口中所有像素的平均灰度； Nin和Nout为待处理像素g(x,y)的内窗口Win (x,y)和外窗口Wout(x,y)中的像素 数； g(k,l)为图像中第行第列像素的灰度值； 对于红外和可见光系统的局部熵， 刻画图像中局部区域灰度变化的剧烈程度， 其定义 为： 式中， 为对于可见光系统测量的色度矩， 目标颜色信息主要分 布在低阶色度矩， 其中， 一阶色度矩描述平均颜色， 二阶色度矩描述颜色方差， 三阶色度矩 描述颜色的偏移性， 其定义如下：权　利　要　求　书 1/4 页 2 CN 115457351 A 2式中： M1、 M2、 M3为一、 二、 三阶色度矩； 对于激光雷达测量的形状度， 形状特征主要包括 形状度、 长 宽比和复杂度， 其定义如下： 式中E、 I和S分别为目标形状度、 长宽比和复杂度； A、 P、 Lmax和Lmin分别为待识别目标的 面积、 外轮廓周长及长轴 、 短轴长， 单位 为像素。 4.根据权利要求1所述的一种 多源信息融合不确定性判别方法， 其特征在于： 所述步骤 三中， 具体包括： 识别框架Θ下证据E1,...,En， 其基本信任分配BBA为Bel(Ei)＝mi， 其BPA为 且有 如果 存在， 表示正交和， 且其BBA为mi， 则对 于 有： 式中： Aj(j＝1,…,k)为Θ的焦元； m(A)为子集A合成信任度。 5.根据权利要求1所述的一种 多源信息融合不确定性判别方法， 其特征在于： 所述步骤 四中， 具体包括： 假设对于N类的模式分类问题， 采用识别算法构造分类器C， 表示第i类模式被分类器C 判断成第j类模式的数据占i类模式样本总数的百分率， 则可 得到维混淆矩阵： 其中， 元素的行下标为目标的真实属性， 列下标为分类器产生的识别属性， 对角线元素 为各模式能够被分类器C正确识别的百分率， 非对角线 元素为发生错误判断的百分率； 混淆 矩阵的行向量βi＝[cmi1…cmin]为模式i的对象在进行分类时对各模式的倾向性； 不同分类 器的混淆矩阵代表了该分类器对模式的分类能力； 因此， 通过对分类器同一模式的分类倾 向求差值来得到分类器分类能力的差异度量值； 假设两个分类器C1和C2， 通过训练样本得到权　利　要　求　书 2/4 页 3 CN 115457351 A 3