DSmT与HMM结合的飞机自动识别技术

"使用DSmT和HMM的飞机自动识别" 本文介绍了一种创新的自动飞机识别（AAR）技术，旨在解决从未知观测飞机的图像序列中进行识别的问题。这种方法结合了从训练图像数据集中提取的知识以及Dezert-Smarandache理论（DSmT）与隐马尔可夫模型（HMM）的信息融合。 首先，DSmT是一种决策理论，用于处理不确定性信息。在AAR任务中，DSmT被用来处理由不同视角下的飞机图像所生成的多特征信息。这些特征包括胡氏矩不变式（用于形状分析的第一特征向量）和飞机轮廓的部分奇异值（用于姿态分析的第二特征向量）。这些特征是从观测到的飞机图像中计算得出的，对飞机的形状和姿态提供了重要的描述。 接下来，使用基于训练图像数据集的概率神经网络（PNN）来构建条件基本信念集合（BBA），以对未知飞机类型进行分配。BBA是概率推理中的概念，表示对特定假设的信念程度。在本研究中，BBA被用于根据给定的特征向量和预定义的可能目标类型与姿态条件来估计飞机类型。 然后，通过DSmT的比例冲突重新分配规则#5（PCR5）将这些BBA融合，得到关于目标类型的全局BBA假设。PCR5是DSmT中处理不一致性的一种策略，它允许有效地整合不同来源的信息。在给定的飞机姿态下，这个全局BBA提供了飞机识别的初步结果。 最后，这些顺序的BBA被输入到基于HMM的分类器中，用于在多姿态环境中自动识别飞机。HMM是一种统计模型，特别适合处理时间序列数据，如连续的图像帧。在这里，它能够捕捉飞机在不同角度出现的动态变化，从而提高识别准确性。 论文的实验部分展示了这种新的顺序多重特征自动目标识别（SMF-ATR）方法在模拟环境中的有效性。结果证明，该方法满足了实时高级AAR系统的处理需求，表明其在实际应用中的潜力。 这篇研究论文提出了一个综合DSmT和HMM的飞机识别框架，通过集成多元特征和高级融合技术，提高了在复杂视觉环境下的识别性能。这种方法对于航空监控、安全和自动化识别系统有着重要的应用价值。