第九講融合分類與識別

單調增的融 規(guī) 2.1. 合u0d(u1,u2,...,uNu0P(u1,u2,...,uN|H1)P(u1,u2,...,uN|H0)u0 融合規(guī) 融合規(guī)異 的融合規(guī)[u(1u)]n2u] P=1-P,則：1log1log令[u(1u)] ]1PP1[ui (1ui)-q1q =q1q q1q 1q Klog Nloglog時，最優(yōu)Kq1q 1q C1q log K[K如果K0,K q1q logq1q 接受或先驗假設 有監(jiān)督和無監(jiān)督分類幾個-《目標探測與識別》 等編目標截獲:目標截獲(TargetAcquisition)是將位置不確定的目標圖像定位，并按所期望的水平辨別它的整個過程。搜尋:搜尋(Search)是利用器件顯示或肉眼視覺，搜索含有潛在目標的景物以定位捕獲目標的過程。位置確定:位置確定(Localize)或定位乃是通過搜尋過程確定出目標的位置。辨別:辨別(鑒別，Discrimination)是指這樣一個過程，在這個過程中，物體(目標)在被觀察者所察覺的細節(jié)量的基礎上確定看得清的程度。辨別的等級可分為探測、識別、確認。幾個幾個-《目標探測與識別》 等編探測:探測(檢測，Detection)可分為純探測(PureDetection)和辨別探測（DiscriminationDetection)兩種。前者是在局部均勻的背 數據層融合分類分類的計算對象是由多源數據融合形成的一個新分類的計算對象是由決策層融合分類分類結果，融合分類是對這些局部分類結果的進一步分類，所以文獻中也常稱其為多分類器融合。多個ESM直接融設紅外熱圖像和可視光學圖像分別為T(xy和V(xy，配準了的圖像f(x,y)為：f(x,y)wt(x,y)T(x,y)wv(x,y)V(x,1.經過PCA2.然而，ICA1.經過PCA2.然而，ICA3.圖8.43中的第一個獨立分量圖像表明了4.在第二個獨立分量圖像中突出了5.在第三個獨立分量圖像中主要突出采用ICA2.有些地物變化區(qū)域(d)1.有些地物變化區(qū)域(c)采用最大似然分類方法檢測變化區(qū)域，提取結果如圖8.4.4中（a）和所示，從(c)和(d) 由于眼鏡阻塞了一大部分熱能，丟失熱圖像中眼鏡部分的有用信息。移走眼鏡的處理方法：然后用整個人臉熱均值與眼鏡部均值比值調整眼睛部分的灰度。這樣就可以消除眼鏡帶來的不利影響。對不帶眼鏡對不帶眼鏡的的人臉檢測實驗中，分析頭十個最好匹配的統計分析表明，由于光照變化基于可見光圖像的檢測方法有相對低的成功檢測率；對帶眼鏡的人臉檢測實驗中，分析頭五個最好匹配的統計分析表明，如果不采用移走眼鏡的預處理，基于紅外圖像的檢測和基于數據層融合的檢測算法都具有較低的成功檢測率；基于變換的方法是將變換為 像進行分類 多源圖像經過ＰＣＡ或者ＩＣＡ變換，是為了突出區(qū)分待分類目標類別的更本質的特征，從原始的多圖像集變換為新的多圖像集。 采用最大似然分類方法檢測變化區(qū)域，提取結果如圖..4中（a）和（b）所示，從和d可以看出：有些地物變化區(qū)域(c)的灰度分布接 分有些地物變化區(qū)域(d)的灰度分布明顯偏 分采用ICA的方法能夠很好地分離出 分布的變化區(qū)域這些圖像因為來自同一個高光譜成 這樣每個像元就有數百個不同波段的灰度值，高光譜圖像分類正是在這樣 一個像元中同時具有兩種或 建筑物頂部Ａ、Ｂ、Ｃ、Ｄ 行車 黑色：未標 CRF方法黑色：未標藍色：正確分類分類結果藍色 人臉也存在的分布、各個 在每個帶上進行C分析，基于整個方差計算出的中止點選擇出每個帶的最好的主分量，再形成一個人臉的表述矢量（本征帶矢量）；將人臉的前視圖像分布劃分為多個水平和垂直的帶，每個帶都有明顯的人臉特性，諸如頭發(fā)、前額、眼睛、鼻子、嘴和下巴；–使用：常常建立在多特征形成的特征矢量基礎上，可以采用距離、HMM（隱含隨機場）、神經網絡方法、SVM等常用的分類器形式；–分級使用：引入了決策樹的層次處理結構，每層使用部分特征，可以加快處理速度。ABC模D用于檢測飛機的SAR 基于多波段邊緣融合編組的融合基于像提取線段的融合段提取的階段就融合多 像的信息，容易利基于多波段邊緣融合編組的融合基于像提取線段的融合段提取的階段就融合多 像的信息，容易利的互補信息。性能明顯優(yōu)于第一個方法?？梢赃M一步用于多時相圖像的直線段提取，提取道路和道路網等。采用模糊融合算法，融合特征屬性采用模糊融合算法，融合特征屬性A和B是檢測飛機的主體，由融合特征屬性C和D獲得先驗信息，表明飛機必須停放在地面、特別是柏油或者水泥地面上，降低虛警概率?；陲@顯段 段直像 直取 段 段取融 線 段取合融合組合融合組N像 利用單波段的線段 息不夠豐富，融合的線段會產生取 裂，會使有意義的目標邊 成幾DAFEDAFE決策層融合分類在很大程度上是指多分類器融合分類，每個分類器的輸出都是具有一定層次的局部決策。利用不同類型傳感器的互補性，直接在各類傳感器數據分類基礎上進一步融合分類可以克服單傳感器的性能弱點；從實際計算處理的需求考慮，利用單一分類器處理所有信源信息給計算、通信等帶來負擔，且需要對初始條件或參數做限制，采用多分類器組合可以減輕這方面的壓力，提高融合分類效率。在完全對應等特點，采用特征層融合會遇到一些，采用決策層融合更加可行。 DAI-DAODAI-DAODAI-FEO特征級融 FEI-FEO融FEI-DEODEI-DEODEO:Decision 1.1.2.基于D_S理論的目標識3.4.*(o,o,,oS(s,s,,s,,,,o?argmax｛p(o?1,o?2,,o?M|o)p(o)p(o?1o?2,,o?M|o)是在給定未知目標o的情況下，傳感器o?1o?2,,o?M的條件聯合概率，p(o)o的先驗概率，p(o?1,o?2,,o?M)是傳感器目標識別估計的聯合概率。o無關，因而MAP｝，MAP目標識別融合估計也可寫為：利用o?argmaxp(o|o?1o?2,,o?Mp(o?|o?1,o?2,,o?M)maxp(o|o?1,o?2,,o?M設o是未知目標，其MAP目標識別融合估計為o?MP假定有M個傳感器探測相同主體（即相同的識別框架），每個傳感器可提供N個不同的假定有M個傳感器探測相同主體（即相同的識別框架），每個傳感器可提供N個不同的MMo?argmax｛p(o)p(o?i| iM i 目標決策概率zzAB觀測，有z和z。如果先獲取傳感器A的觀z，其后獲得傳感器B的觀測z，組合系統的整個似然函數是P(zA,zB|x)P(zA|x)P(zB|假定有一致先驗分布，如果先獲取傳感器A的觀測是zAzA1，其后獲得傳感器B的觀測是zBzB1，則后驗概率為(045,045,01)(045,01,045)(06924,01538,0mi(k i1,...,M,j1,...,jNi(k1)1mi(kj本概率賦值為：m, 為止，更新目標識別的累積基本概率賦值mi(k)(k)1mi設BEL1和BEL2是同一識別框架U上的兩個信任函數m1和m2分別為對應的基本概率賦值，焦元分別為：A1A2,Ak和B1B2,Br,又設：K1m1Ai)m2Bj) m1(Ai)m2(Bjm(C)ACU,C 1 C式中：若K1,則m確定一個基本概率賦值；利用組合規(guī)則對傳感器i和傳感器l的時域累積信息進行空域融合的情況如下表。 m(k)m(k)m(k)m(k)m(k)m(k)(k)(k)m(km(k)1K其中：Km(k)m(k(k)1Kmax{Ci(oj)|j1,2,,N,i1,,Ci(oj1;M2,i1,,iMR則傳感器i對目標oj的基本概率賦值為 如何給mi(oj)li Nl火力與指揮控制，第卷第 NN Nmn mnV1nV(k A1nA(kk k1n(V(k)V) 1n(A(k)A) k kmmin{{VmAm},1} Tlf是航跡（用掃描數度量），則定義由mmin{Ntrue, 令U1,2,,j,,N}表示NS{1,2,,i,,M}表示M個傳感器序號UiS,記第i個傳感器的目標識別報告為Ci,Ci{(o1,mi1),(o2,mi2),,(oN,miN Ci＝mij/oj,i其中mij表示第i個傳感器被識別目標屬于第j類的隸屬度，0mij1能性分布的形式表示。設K是在U上取值的變量，iS,給定命題范式“K是Ci，將導出一個與能性分布的形式表示。設K是在U上取值的變量，iS,給定命題范式“K是Ci，將導出一個與 i(j)(j)m,iS，j imij/oj,i m1，當jj0，當jj于U是U上的一個非模糊集，而者對“事實K是U"不能確定，帶有信任度f的“事實K是U"表示K取U之外的可能性是1f,即：m 當jU1f，當jU ii(kmij(k k1 m(k1)/ 將k1時刻的累積融合可能性分布與k時刻的測量可i個傳感器到k時刻為止的目標識別累積融合可能性分布kikm(k)/ m(k)S[m(k1),m S:[0,1]20,1]2在得到在得到k時刻各傳感器的積累目標識別可能性分布i1Mm/mS[m,m,...,m)M(k[0,1]k,映射S:[0,1]k0,1 保序性，即M(k)，M(k[0,1]k Mij(k)Mip(k)Sk(Mij(k))Sk(Mip綜合性，即M(k[0,1]k dij(l)Sk(Mij(k))dijl lS(M(k))[1dq(lS(M(k))[1dq(l)]1/q,q kSk(Mij(k))[dij(l)]1/lS(M(k))1[kd(l)kd 2 S(M(k))[adq(l)]1/q,q0,a[0,1],a l 先識別信再構造被識別目標的部分假設集，并伴隨 1,當jU表示K取Ui之外的可能性是1-mijk(j)1fi,當jU mi(j)1,當jU1f,當j 設有２個目標類型 11/o10.4/信任度報告f為： 20.2/o11/ 1/o0.2/ 1/o0.2/ 51/o10.2/o１１１１１5S5[m1j,m2j,...,m5j][mij]1/50.73/o10.32/o151 2 5 5 S[m,m,...,m] m0.84/o0.4/S2[m1j,m2j][m1jm2j]1/20.45/o10.63/oS[m,m]1[mm]0.6/o0.7/21 2 21 2 –– 多個ESM對多個電子輻 X=(RF,PW,PRT,PRF,AVS,載頻脈寬 –警戒或搜 脈沖上升沿時間–導航重頻 –制 天線掃描速度ASV與輻 –火 源到達方位AOA –引 A=(S,N,G,F,C)建立模糊關系,建立模糊因素變量X糊辯識對象集A的模糊隸屬函數與模糊評 建立模糊關系,建立模糊因素變量X糊辯識對象集A的模糊隸屬函數與模糊評 獲取評判對象