证据融合新方法：自适应策略在目标跟踪中的应用

"该文提出了一种新的证据融合方法，主要应用于目标跟踪，旨在解决高度冲突证据的融合问题。文章作者是曹洁和李晓瑶，发表于《小型微型计算机系统》2015年第4期，受到国家自然科学基金项目的资助。文章中，作者结合余弦相似度和K-L距离，定义了新的证据冲突衡量标准，并提出了基于序贯式的证据组合方法。同时，为了兼顾Dempster组合规则的优势，他们设计了一种组合规则自适应切换的融合策略。实验基于AMI语料库进行，结果显示，这种方法在准确性与稳定性上优于传统证据理论融合方法，适用于视频跟踪场景。关键词包括计算机视觉、Dempster组合规则、多特征自适应融合、余弦距离和K-L变换。" 在计算机视觉领域，目标跟踪是一项关键任务，它涉及识别和追踪视频序列中的特定对象。在这个过程中，多特征融合是一种常用的技术，它结合不同的特征（如颜色、纹理、形状等）来提高跟踪的鲁棒性和精度。然而，当不同特征之间存在冲突时，有效的证据融合方法变得至关重要。 文章提出的证据自适应融合方法是为了解决这个问题。首先，作者通过结合余弦距离和经典冲突系数来创建一个新的证据冲突度量标准。余弦距离常用于衡量两个向量之间的角度差异，而经典冲突系数则评估证据之间的不兼容程度。这种结合使得冲突度量更全面，能更好地反映出证据间的矛盾程度。 接下来，利用Kullback-Leibler(K-L)距离确定待组合证据的权重。K-L距离是一种衡量两个概率分布差异的度量，能够量化证据的相对重要性。基于这些权重，作者提出了一种序贯式的证据组合方法，按照证据的重要程度进行融合。 然而，Dempster-Shafer(D-S)理论中的Dempster组合规则在处理低冲突证据时表现出色，因此，作者设计了一种策略，根据证据冲突程度动态切换到Dempster规则，使得新的融合方法能够充分利用两种融合策略的优点。 实验部分，作者使用AMI语料库验证了新方法的有效性。AMI语料库通常用于对话理解和人机交互的研究，包含了丰富的视频数据，是评估目标跟踪算法的理想平台。实验结果证明，该方法在准确性和稳定性上优于传统的证据理论融合方法，显示了其在实际视频跟踪应用中的潜力。 这篇文章提出了一种新颖的证据融合策略，通过自适应地选择合适的融合规则，提高了在目标跟踪中的证据处理能力，特别是在处理高度冲突证据时。这一方法对于改进计算机视觉系统的目标跟踪性能具有重要意义，尤其在复杂和变化的环境条件下。