基于分类器决策融合的红外图像目标识别方法
提出基于分类器决策融合的红外图像目标识别问题.采用稀疏表示分类(Sparse representation-based classification,SRC)和卷积神经网络(Convolutional neural network,CNN)作为基础分类器.对于测试样本,首先基于SRC进行分类,并根据输出的决策变量判断决策可靠性.当判定识别结果可靠时,则识别过程结束,输出目标类别.反之,根据SRC的结果遴选部分置信度较高的候选类别,并在下一阶段针对这一步类别采用CNN进行确认分类.此外,将CNN的输出结果与SRC进行线性加权融合处理,根据融合结果做出最后的目标类别决策.提出方法通过综合SRC和CNN两者分类器的优点,综合提升红外目标识别性能.同时,这种层次化的决策融合方式避免了对所有样本的两次分类过程,整体上能够保证识别算法的效率.实验采用五类日常生活中常见的车辆目标红外图像进行,分别设置了原始样本条件、噪声样本条件以及遮挡样本条件.通过与部分现有方法进行对比,结果反映了提出方法的有效性和可靠性.
红外图像、目标识别、决策融合
51
TP391.41(计算技术、计算机技术)
江西省教育厅科技项目GJJ180316
2022-09-29(万方平台首次上网日期,不代表论文的发表时间)
共6页
272-277