2.2 特征級融合目標識別系統基本結構

特征級融合的目標識別是指從多傳感器獲取的目標原始信息中提取目標特征信息，應用融合算法將其進行融合成復合特征信息量，利用分類識別方法識別目標的過程，如圖2-2所示。經過預處理（增強、濾波、消噪、分割等）的多傳感器系統采集的目標原始信息，經特征提取系統獲取目標信息的充分表示量或充分統計量的特征信息，典型的特征信息有邊緣、形狀、輪廓、角、紋理、相似亮度區域、相似景深區域等，在進行融合目標識別處理時特征信息與多傳感器圖像融合的應用目的和場合相關，通過特征融合目標識別算法對目標特征信息進行分類識別。通過特征級融合目標識別可以在原始圖像中挖掘相關特征信息、增強特征信息的有效性、排除干擾識別的虛假特征、建立融合特征等，從而提高識別率和識別效率。特征級融合的目標識別對傳感器配準要求不是十分嚴格，因此傳感器可以分布在不同的平臺上。特征級融合的目標識別優點在于可觀的信息壓縮，可實現實時處理。

圖2-2 特征級融合的目標識別系統結構圖

特征級融合的目標識別原理如圖2-3所示。

目標特征獲取：從物理傳感器原始數據中利用特征提取算法提取和選擇有效的包含目標信息的目標特征數據（A1，A2，A3，…；B1，B2，B3，…；C1，C2，C3，…；…）。

圖2-3 特征級融合的目標識別原理圖

特征融合：對以上目標特征數據通過融合算法，降低特征空間維數，保證維數壓縮后特征數據的熵、能量和相關性不改變，消除提取的特征空間中特征表示向量之間的冗余信息，獲得融合特征量（Ax，Bx，Cx，…；…）。

分類識別：通過目標識別算法結合目標樣本特征數據庫中存放的各種潛在目標特征融合數據（A1，A2，A3，…；B1，B2，B3，…；C1，C2，C3，…；…）進行分類識別待識別目標。

傳感器獲取的目標原始信息一般目標信息都較弱且包含噪聲，必須對其進行預處理（如消除噪聲、增強目標、圖像分割）。然后從經過預處理的原始目標信息中通過特征提取和選擇，獲取目標的融合識別特征信息。在目標識別之前，應建立特征數據庫（包含了可能的目標特征信息），采用適當的分類識別算法比較傳感器提取的目標特征與特征數據庫中的特征信息，識別出目標類別。多傳感器系統由于存在異類傳感器，從傳感器提取的特征信息內容與形式或許存在不同，通過融合算法將這些信息轉換成統一形式，使目標特征信息之間可以相互比較和綜合。對于單一目標，特征提取后即可進行目標的分類識別；對于多目標，需要通過各傳感器提供的信息，判斷目標屬于系統航跡數據庫中的哪一條航跡，判定各傳感器提取的目標特征屬于哪一個目標，進行信息相關確定。根據信息相關的結論，可由位置融合獲得的目標屬性信息（如經緯度、速度、加速度等）輔助完成目標識別。最后由分類識別算法根據特征數據庫中的目標特征信息對目標進行分類識別。

目前，信息融合目標識別系統受軟、硬件等技術能力制約，還與傳感器物理性質和質量、通信等有關，實際應用環境并不普遍適用。