[发明专利]一种基于深度学习的多源数据融合目标识别方法

说明书

本发明公开了一种基于深度学习的多源数据融合目标识别方法，包括：步骤1，对待识别目标的多源数据进行数据预处理，获取待识别目标的复合图像；所述数据预处理的过程为：(1)对多源数据进行配准关联；(2)将配准关联后的多源数据进行可视化转换为组合元素，将组合元素按一定的排列组合规则生成复合图像；步骤2，将待识别目标的复合图像输入训练完成的深度神经网络模型进行识别；所述训练完成的深度神经网络模型为：深度神经网络采用训练目标的多源数据经数据预处理得到的复合图像进行训练得到的深度神经网络模型。本发明利用深度学习技术，实现了多源数据融合目标识别，无需人工参与特征设计、权重赋值，具有较强的自学习能力和适应性。

技术领域

本发明涉及目标识别技术领域，尤其是一种基于深度学习的多源数据融合目标识别方法。

背景技术

多源数据融合是一种针对多源数据的处理手段，是目标识别领域(尤其是机载多传感器应用场景)的核心技术之一。多源数据融合能基于多种传感器(雷达、光电、红外、摄像头等)采集的数据，进行配准、关联、组合等多层次、体系化处理，采取适当的判决手段，对目标状态、身份信息做出判断。其优势在于不同来源的数据能从多个角度描述目标，能提升目标识别的准确性、可靠性。随着数据源的丰富，多源数据融合方法还可以用来理解环境态势，对目标意图和威胁等级做出评判。

传统的多源数据融合方法包括：

1.加权平均法：将不同来源的数据赋予加权系数后做平均得到最终结果。该方法简单直观，但在加权系数的确定上受人为主观因素影响较大，此外该方法难以直接利用非结构化数据(如红外图像、可见光图像等)；

2.Bayes估计法：以最小风险代价为基本模型，在给定一个预先似然估计和附加证据(观测)条件下，更新一个假设的似然函数。该方法需人为定义先验概率，当有多个可能的假设和多个条件相关时较为复杂；

3.D-S证据理论：D-S证据理论是Bayes理论的广义扩展，它利用了概率区间和不确定区间来确定多证据下假设的似然函数。目前，该方法应用较为广泛，在处理不确定因素(随机、模糊)上有较大优势，但它不能有效地处理矛盾的证据，且D-S方法具有的组合灵敏性(有时基本概率赋值的一个微小变化都可能导致结果很大的变化)会导致其在处理噪音数据上有较大困难。

4.此外，关于多源数据融合的方法还包括：卡尔曼滤波法、多Bayes方法、模板法等。

综上所述，传统的多源数据融合具有数据利用不充分(有些方法难以利用非结构化数据，如红外图像、可见光图像等)，人工参与较多(权重赋值、特征设计等工作)，学习能力和适应性相对较差等不足。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提供一种基于深度学习的多源数据融合目标识别方法，所述方法能充分利用各种类型数据(雷达数据、光电数据、红外图像、可见光图像等数据)，自动完成特征提取和权重赋值，最终达到目标识别的效果，具有较强的自学习能力和适应性。

本发明采用的技术方案如下：

一种基于深度学习的多源数据融合目标识别方法，包括：

步骤1，对待识别目标的多源数据进行数据预处理，获取待识别目标的复合图像；所述数据预处理的过程为：(1)对多源数据进行配准关联；(2)将配准关联后的多源数据进行可视化转换为组合元素，将组合元素按一定的排列组合规则生成复合图像；

步骤2，将待识别目标的复合图像输入训练完成的深度神经网络模型进行识别；所述训练完成的深度神经网络模型为：深度神经网络采用训练目标的多源数据经数据预处理得到的复合图像进行训练得到的深度神经网络模型。

进一步地，所述对多源数据进行配准关联的方法包括：时间配准、空间配准和信息关联。