2.2 特征级融合目标识别系统基本结构

特征级融合的目标识别是指从多传感器获取的目标原始信息中提取目标特征信息，应用融合算法将其进行融合成复合特征信息量，利用分类识别方法识别目标的过程，如图2-2所示。经过预处理（增强、滤波、消噪、分割等）的多传感器系统采集的目标原始信息，经特征提取系统获取目标信息的充分表示量或充分统计量的特征信息，典型的特征信息有边缘、形状、轮廓、角、纹理、相似亮度区域、相似景深区域等，在进行融合目标识别处理时特征信息与多传感器图像融合的应用目的和场合相关，通过特征融合目标识别算法对目标特征信息进行分类识别。通过特征级融合目标识别可以在原始图像中挖掘相关特征信息、增强特征信息的有效性、排除干扰识别的虚假特征、建立融合特征等，从而提高识别率和识别效率。特征级融合的目标识别对传感器配准要求不是十分严格，因此传感器可以分布在不同的平台上。特征级融合的目标识别优点在于可观的信息压缩，可实现实时处理。

图2-2 特征级融合的目标识别系统结构图

特征级融合的目标识别原理如图2-3所示。

目标特征获取：从物理传感器原始数据中利用特征提取算法提取和选择有效的包含目标信息的目标特征数据（A1，A2，A3，…；B1，B2，B3，…；C1，C2，C3，…；…）。

图2-3 特征级融合的目标识别原理图

特征融合：对以上目标特征数据通过融合算法，降低特征空间维数，保证维数压缩后特征数据的熵、能量和相关性不改变，消除提取的特征空间中特征表示向量之间的冗余信息，获得融合特征量（Ax，Bx，Cx，…；…）。

分类识别：通过目标识别算法结合目标样本特征数据库中存放的各种潜在目标特征融合数据（A1，A2，A3，…；B1，B2，B3，…；C1，C2，C3，…；…）进行分类识别待识别目标。

传感器获取的目标原始信息一般目标信息都较弱且包含噪声，必须对其进行预处理（如消除噪声、增强目标、图像分割）。然后从经过预处理的原始目标信息中通过特征提取和选择，获取目标的融合识别特征信息。在目标识别之前，应建立特征数据库（包含了可能的目标特征信息），采用适当的分类识别算法比较传感器提取的目标特征与特征数据库中的特征信息，识别出目标类别。多传感器系统由于存在异类传感器，从传感器提取的特征信息内容与形式或许存在不同，通过融合算法将这些信息转换成统一形式，使目标特征信息之间可以相互比较和综合。对于单一目标，特征提取后即可进行目标的分类识别；对于多目标，需要通过各传感器提供的信息，判断目标属于系统航迹数据库中的哪一条航迹，判定各传感器提取的目标特征属于哪一个目标，进行信息相关确定。根据信息相关的结论，可由位置融合获得的目标属性信息（如经纬度、速度、加速度等）辅助完成目标识别。最后由分类识别算法根据特征数据库中的目标特征信息对目标进行分类识别。

目前，信息融合目标识别系统受软、硬件等技术能力制约，还与传感器物理性质和质量、通信等有关，实际应用环境并不普遍适用。