【智能系统】多特征融合的异视角目标关联算法.pdf

第15卷第5期智能系统学报 Vol.15 No.5 2020年9月 CAAI Transactions on Intelligent Systems Sep.2020 D0:10.11992tis.202006037 多特征融合的异视角目标关联算法付昆，田金文，马懿超2 (1.华中科技大学多谱信息处理国家级重点实验室，武汉湖北430074,2.北京机电工程研究所，北京100074) 摘要：目标关联在协同多目标探测中具有重要意义，受视角变换等因素的影响，传统目标关联算法在异视角目标观测情况下效果较差。本文提出了一种基于拓扑特征与颜色特征合的无人机协同侦查目标关联算法，通过利用无人机提供的位置、姿态及其搭载传感器获得的多维特征数据，提取出目标的拓扑特征及颜色特征，并通过D-$证据理论融合多维特征，完成对异视角目标群的关联。实验表明，这种算法框架能够有效帮助无人机完成对目标群的关联任务。关键词：目标关联：异视角：协同探测：无人机：多特征融合：姿态数据：拓扑特征：颜色特征：D-S证据理论中图分类号：TP391文献标志码：A文章编号：1673-4785(2020)05-0847-09 中文引用格式：付昆，田金文，马懿超.多特征融合的异视角目标关联算法.智能系统学报，2020,15（⑤）：847-855 英文引用格式：FUKun,.TIAN Jinwen,,MA Yichao..Target association from different perspectives based on multi--feature fusion. CAAI transactions on intelligent systems,2020,15(5):847-855. Target association from different perspectives based on multi-feature fusion FU Kun',TIAN Jinwen',MA Yichao? (1.College of Automation,National Key Laboratory of Multispectral Information Processing Technology,Huazhong University of Science and Technology,Wuhan 430074,China;2.Beijing Electro-mechanical Engineering Institute,Beijing 100074,China) Abstract:Target association has great significance in collaborative multi-target detection.As traditional target associ- ation algorithms are affected by factors such as changes in view angle,they are less effective when observing targets from different perspectives.This paper proposes a target association algorithm for collaborative reconnaissance by un- manned aerial vehicles (UAVs)based on the fusion of topological and color features.Using position,attitude,and multi- dimensional feature data obtained by the sensors in the UAV,the topological and color features of the target are extrac- ted and the multi-dimensional features are then fused based on the Dempster-Shafer evidence theory to complete the as- sociation of target groups from different perspectives.Experiments show that this algorithm framework can effectively help UAVs to complete the task of target group association. Keywords:target association;different perspective;cooperative detection:UAV:multi feature fusion;attitude data;to- pological feature;color feature;D-S evidence theory 目标关联是数据融合过程的重要步骤，其本文的研究任务是如何对异视角下同一目标群的多质是确定传感器量测与目标源之间的对应关系。个量测进行目标关联。根据应用场景的不同，又可以分为量测与目标的国外针对航迹起始比较成熟的量测-量测关关联和量测与量测的关联。前者的任务是将新获联方法主要有3类：基于启发式规则的方法山，基得的量测信息与已有目标进行对应，后者关心的于逻辑规则的方法和基于Hough变换的方法。是将对同一目标群的多个量测进行一一对应。本前两者利用的都是目标运动的机动限制条件，仅适用于噪声虚警和杂波较少的环境。后者适应性收稿日期：2020-06-23. 基金项目：国家自然科学基金项目(61273279). 更强但需要知道目标轨道的参数信息，并且在参通信作者：田金文.E-mail:jwtian@mail.hust.edu.cn 数域运行聚类方法的计算量较大

DOI: 10.11992/tis.202006037 多特征融合的异视角目标关联算法付昆1 ，田金文1 ，马懿超2 （1. 华中科技大学多谱信息处理国家级重点实验室，武汉湖北 430074; 2. 北京机电工程研究所，北京 100074）摘要：目标关联在协同多目标探测中具有重要意义，受视角变换等因素的影响，传统目标关联算法在异视角目标观测情况下效果较差。本文提出了一种基于拓扑特征与颜色特征融合的无人机协同侦查目标关联算法，通过利用无人机提供的位置、姿态及其搭载传感器获得的多维特征数据，提取出目标的拓扑特征及颜色特征，并通过 D-S 证据理论融合多维特征，完成对异视角目标群的关联。实验表明，这种算法框架能够有效帮助无人机完成对目标群的关联任务。关键词：目标关联；异视角；协同探测；无人机；多特征融合；姿态数据；拓扑特征；颜色特征；D-S 证据理论中图分类号：TP391 文献标志码：A 文章编号：1673−4785(2020)05−0847−09 中文引用格式：付昆, 田金文, 马懿超. 多特征融合的异视角目标关联算法 [J]. 智能系统学报, 2020, 15(5): 847–855. 英文引用格式：FU Kun, TIAN Jinwen, MA Yichao. Target association from different perspectives based on multi-feature fusion[J]. CAAI transactions on intelligent systems, 2020, 15(5): 847–855. Target association from different perspectives based on multi-feature fusion FU Kun1 ，TIAN Jinwen1 ，MA Yichao2 (1. College of Automation, National Key Laboratory of Multispectral Information Processing Technology, Huazhong University of Science and Technology, Wuhan 430074, China; 2. Beijing Electro-mechanical Engineering Institute, Beijing 100074, China) Abstract: Target association has great significance in collaborative multi-target detection. As traditional target association algorithms are affected by factors such as changes in view angle, they are less effective when observing targets from different perspectives. This paper proposes a target association algorithm for collaborative reconnaissance by unmanned aerial vehicles (UAVs) based on the fusion of topological and color features. Using position, attitude, and multidimensional feature data obtained by the sensors in the UAV, the topological and color features of the target are extracted and the multi-dimensional features are then fused based on the Dempster–Shafer evidence theory to complete the association of target groups from different perspectives. Experiments show that this algorithm framework can effectively help UAVs to complete the task of target group association. Keywords: target association; different perspective; cooperative detection; UAV; multi feature fusion; attitude data; topological feature; color feature; D-S evidence theory 目标关联是数据融合过程的重要步骤，其本质是确定传感器量测与目标源之间的对应关系。根据应用场景的不同，又可以分为量测与目标的关联和量测与量测的关联。前者的任务是将新获得的量测信息与已有目标进行对应，后者关心的是将对同一目标群的多个量测进行一一对应。本文的研究任务是如何对异视角下同一目标群的多个量测进行目标关联。国外针对航迹起始比较成熟的量测−量测关联方法主要有 3 类：基于启发式规则的方法[1] ，基于逻辑规则的方法[2] 和基于 Hough 变换的方法[3-4]。前两者利用的都是目标运动的机动限制条件，仅适用于噪声虚警和杂波较少的环境。后者适应性更强但需要知道目标轨道的参数信息，并且在参数域运行聚类方法的计算量较大。收稿日期：2020−06−23. 基金项目：国家自然科学基金项目 (61273279). 通信作者：田金文. E-mail：jwtian@mail.hust.edu.cn. 第 15 卷第 5 期智能系统学报 Vol.15 No.5 2020 年 9 月 CAAI Transactions on Intelligent Systems Sep. 2020

·848· 智能系统学报第15卷按照关联因子的不同，目标关联主要可分为定的优化。基于位置信息和基于属性信息两大类，由于异 2)算法同时考虑了目标群的位置特征和属性视角对属性特征的影响较大，早期关联算法大多特征，具有更好的抗干扰能力和准确性。是基于位置信息的。一些经典的多目标关联算 3)基于D-S证据理论的融合框架具有很好的法，如最近邻算法(NN)、概率数据关联算法扩展能力，可以根据应用场景的不同使用不同的 (PDA)、多假设跟踪算法MHT)等。近年来，很多目标群特征。学者在此基础上做了很多改进。赵健阿研究的基于点模式匹配算法可以处理目标群的刚体或非刚 1算法基本框架体形变，对基于位置的关联效果有很大提升。本文整体算法框架如图1所示，目标检测模 Zeng等)提出了一种舰船编队特征与舰船属性块获得目标群位置后，将目标区域子图像送入属特征相结合的目标关联算法，该算法同时考虑了性特征提取模块，获得目标的颜色特征并计算不目标的属性特征和舰船编队形状特征进行证据合同视角下的特征相似度。与此同时，将目标群的成，充分利用了两者的互补性，但受形状描述及位置分布及无人机姿态信息等送入拓扑特征提取目标识别算法的影响，关联正确率不高。刘铮等圆模块，获得目标的位置信息特征及对应的相似针对多源数据多特征融合的应用场景，提出基于度。利用D-S证据理论融合不同特征下的关联概多模型估计方法对同类型目标进行初步筛选，再率分配结果并输出最终关联结果。基于多特征最大联合概率分布对目标精细关联的方案，有效提高了弱小目标关联的准确性。王继视角1目标视角2目标群图像坐标群图像坐标阳等9提出了一种基于目标属性特征的多假设关颜色特征联算法，仅仅使用目标的属性特征作为关联依提取据，该算法适用于基于低时间分辨率的遥感图像关联。如何单纯依靠属性特征完成关联任务，目无人机位置拓扑特征无人机位置姿态信息提取姿态信息前鲜见较为成熟的解决方案。唐宏美0详细研究了从坐标变换、全局结构、谱特征到拓扑特征的多种位置关联算法，得出拓扑特征具有最强的计算属性计算拓扑特征相似度特征相似度适应性和最高准确率的结论。此外，也有少量综合位置和属性信息的目标关联方法。汤守波等山融合不同特征下的目标关联在目标运动状态信息可用的情况下，采用原始的概率状态滤波的方法形成多条可能航迹，而后利用属性信息的相似性对关联结果进行修正。孙寒涛回触合关联结果利用灰色系统理论和系统聚类分析方法判断目标间的相似程度。对于不确定的集合再次进行方位图1本文算法流程图 Fig.1 Flow chart of the proposed method 数据关联，有效弥补了单一方法的缺陷。总体来说，以上方案的主要思路都是基于目 2 特征提取子模块标的位置信息，对目标群运动过程建立适当的模型，根据这些运动参量计算出航迹量测的匹配 2.1 颜色特征提取子模块度，进而对关联关系的判断1。这些算法并没有目标的属性特征包括目标的颜色、纹理、形充分利用目标的属性信息。随着无人机信息采集状等，这些属性特征大多受视角变换影响较大，技术的发展，目标关联可以利用的信息越来越丰因此传统目标关联算法很少利用其属性特征。无富。区别于传统的天基、地基传感器，以无人机人机编队因其自带姿态位置传感器，能够在一定编队为载体的各种传感器可以提供多视角、近距程度上修正视角对观测结果的影响，使得属性特离的各种目标特征信息。综合利用目标在时空和征的引入具有可行性。属性上的特征，能够有效提高关联的准确率。与本文算法主要使用了目标的颜色特征，为减传统目标关联算法相比，本文算法具有以下优势：小视角变化对目标颜色特征的影响，使用以下步 1)借助姿态及位置传感器，无人机成像平台骤提取日标的颜色特征。提供的目标空间信息，能够对二维图像特征进行 1)去除背景干扰。由于目标检测给出的目标

按照关联因子的不同，目标关联主要可分为基于位置信息和基于属性信息两大类[5] ，由于异视角对属性特征的影响较大，早期关联算法大多是基于位置信息的。一些经典的多目标关联算法，如最近邻算法 (NN)、概率数据关联算法 (PDA)、多假设跟踪算法 (MHT) 等。近年来，很多学者在此基础上做了很多改进。赵健[6] 研究的基于点模式匹配算法可以处理目标群的刚体或非刚体形变，对基于位置的关联效果有很大提升。 Zeng 等 [7] 提出了一种舰船编队特征与舰船属性特征相结合的目标关联算法，该算法同时考虑了目标的属性特征和舰船编队形状特征进行证据合成，充分利用了两者的互补性，但受形状描述及目标识别算法的影响，关联正确率不高。刘铮等[8] 针对多源数据多特征融合的应用场景，提出基于多模型估计方法对同类型目标进行初步筛选，再基于多特征最大联合概率分布对目标精细关联的方案，有效提高了弱小目标关联的准确性。王继阳等[9] 提出了一种基于目标属性特征的多假设关联算法，仅仅使用目标的属性特征作为关联依据，该算法适用于基于低时间分辨率的遥感图像关联。如何单纯依靠属性特征完成关联任务，目前鲜见较为成熟的解决方案。唐宏美[10] 详细研究了从坐标变换、全局结构、谱特征到拓扑特征的多种位置关联算法，得出拓扑特征具有最强的适应性和最高准确率的结论。此外，也有少量综合位置和属性信息的目标关联方法。汤守波等[11] 在目标运动状态信息可用的情况下，采用原始的状态滤波的方法形成多条可能航迹，而后利用属性信息的相似性对关联结果进行修正。孙寒涛[12] 利用灰色系统理论和系统聚类分析方法判断目标间的相似程度。对于不确定的集合再次进行方位数据关联，有效弥补了单一方法的缺陷。总体来说，以上方案的主要思路都是基于目标的位置信息，对目标群运动过程建立适当的模型，根据这些运动参量计算出航迹量测的匹配度，进而对关联关系的判断[13]。这些算法并没有充分利用目标的属性信息。随着无人机信息采集技术的发展，目标关联可以利用的信息越来越丰富。区别于传统的天基、地基传感器，以无人机编队为载体的各种传感器可以提供多视角、近距离的各种目标特征信息。综合利用目标在时空和属性上的特征，能够有效提高关联的准确率。与传统目标关联算法相比，本文算法具有以下优势： 1) 借助姿态及位置传感器，无人机成像平台提供的目标空间信息，能够对二维图像特征进行一定的优化。 2) 算法同时考虑了目标群的位置特征和属性特征，具有更好的抗干扰能力和准确性。 3) 基于 D-S 证据理论的融合框架具有很好的扩展能力，可以根据应用场景的不同使用不同的目标群特征。 1 算法基本框架本文整体算法框架如图 1 所示，目标检测模块获得目标群位置后，将目标区域子图像送入属性特征提取模块，获得目标的颜色特征并计算不同视角下的特征相似度。与此同时，将目标群的位置分布及无人机姿态信息等送入拓扑特征提取模块，获得目标的位置信息特征及对应的相似度。利用 D-S 证据理论融合不同特征下的关联概率分配结果并输出最终关联结果。视角 1 目标群图像坐标视角 2 目标群图像坐标颜色特征提取拓扑特征提取计算拓扑特征相似度计算属性特征相似度融合不同特征下的目标关联概率融合关联结果无人机位置姿态信息无人机位置姿态信息图 1 本文算法流程图 Fig. 1 Flow chart of the proposed method 2 特征提取子模块 2.1 颜色特征提取子模块目标的属性特征包括目标的颜色、纹理、形状等，这些属性特征大多受视角变换影响较大，因此传统目标关联算法很少利用其属性特征。无人机编队因其自带姿态位置传感器，能够在一定程度上修正视角对观测结果的影响，使得属性特征的引入具有可行性。本文算法主要使用了目标的颜色特征，为减小视角变化对目标颜色特征的影响，使用以下步骤提取目标的颜色特征。 1) 去除背景干扰。由于目标检测给出的目标 ·848· 智能系统学报第 15 卷

第5期付昆，等：多特征融合的异视角目标关联算法 ·849· 框往往带有一定的背景区域，这些背景不属于目 X 1 0 0 标的信息，在统计目标的颜色特征时应当预先剔 0 cos y sin y Z 0 除。本文使用基于自适应阈值的泛洪填充算法计 -sin y cos y cos 0 sin 0 cos 0 -sin 算背景区域。具体步骤如下：①计算宽w高h的 sin 0 cos 00 0 1 0 跟踪框内每个像素对应的像素梯度，按升序进行 0 0 1 sin 0 cos 排序得到w×h长度的一维数组S:②计算目标边式中：(X,Y,Z)为目标在地理坐标系下的坐标；缘的梯度阈值：③从跟踪框的矩形边缘开始向中 (0,p,)分别为无人机的俯仰角、航向角、滚动角。心进行遍历，将梯度小于阈值的像素点标记为背 2)计算目标的拓扑描述子。由于无人机编队景，直到遇到大于边缘阈值的像素停止遍历。标覆盖范围有限，目标群分布范围可近似看做同一记为背景的像素不参与颜色统计。高度分布，只需要提取目标的二维拓扑特征。以视角中某一目标为原点建立极坐标系，将其余目 2)二维透视变换消除视角畸变。由于无人机标按照极角分为12个区间，每个区间为π6弧度多为高空侦查，地面目标可近似为二维物体，使的扇形区域。统计每个区间中目标的极径之和用二维透视变换将目标的前下视图像矫正为正下作为这一区间的特征值。这个12维特征向量即视图可以消除视角倾斜带来的影响。具体方案为为当前参考目标的拓扑描述子。使用无人机的姿态及相机内参确定投影矩阵，将 3)根据描述子计算目标之间的拓扑特征相似图像上的目标像素分别投影到地平面上，然后将度。本文使用改进的曼哈顿距离计算拓扑描述子地平面上的虚拟目标等比例缩放获得目标的俯的相似度，具体步骤如下。①将两目标的拓扑描视图。述子按位相减，获得12维的差值；②以3为滑动 3)统计目标颜色直方图并计算频率直方图。窗口宽度，对12维差值非零部分做均值滤波，消本文采用RGB或HSV颜色空间，将每种颜色分除观测角度误差带来的影响；③对滤波后的差值量按照0~255分为10个区间，统计每个区间的像绝对值求和为S,最终相似度Similarity计算方式素点数目，并除以目标像素点总数。这个30维的如下，A、B分别为两视角下某观测的拓扑描述颜色频率分布直方图即为属性特征向量。子，函数∫为均值滤波操作。 4)计算两目标区域的颜色特征相似度并进行 Similarity =1-- sum 关联概率分配。本文采用余弦距离计算颜色特征 S=abs(f(A(i)-B(i))) 向量的相似度。相似度取值范围为0~1，数值越 12 大相似度越高。为方便后续进行特征融合，两视 sum 角不同量测之间的关联概率需要满足∑P=1, abs(A(O),∑abs(BU》 P,表示视角1中的量测i与视角2中的量测j对 4)根据拓扑相似度进行关联概率分配。设两应同一目标的概率。视角下分别有M和N个目标，由以上步骤可获得 2.2拓扑特征提取子模块 M×N维的相似度矩阵M。在矩阵中寻找最大元目标的拓扑特征指的是目标在目标群中的几素M,若M≥(=0.7)，则量测i与量测j关联，何位置信息，与单纯的坐标信息不同，拓扑特征然后从相似矩阵中划掉、j对应的行和列，得到综合考虑了参考目标与其他目标之间的相对位置降阶的相似矩阵，在降阶矩阵中再找最大元素，关系。由于当前技术条件下无人机的位置传感器重复上述过程，直到所有元素均小于阈值为止。精度不足，基于坐标相对关系的拓扑特征往往更 2.3D-S证据理论特征融合模块基于颜色特征和拓扑特征均可获得一个加准确稳定。 MxN维的关联概率矩阵，使用D-S证据理论融合由于不同无人机视角不同，为获得同一坐标两个矩阵可获得更加可靠的关联结果。系下的几何位置分布，需要使用无人机的姿态参本文在基于属性特征和拓扑特征的关联概率数将目标群图像坐标转换为地理坐标。具体算法矩阵上运行证据融合过程，视角1中每个量测分步骤如下：别有8个关联概率与视角2中目标对应，加上全 1)将目标的二维图像坐标转化为三维地理坐集和空集，每个量测的关联概率向量为10维。合标。转换过程需先把成像坐标系转换为导航坐标成规则如下：系，再将导航坐标系变为地理坐标系。坐标系转 0为假设空间，mass函数是一个在假设空间化公式如下：上的基本概率分配函数m,满足：

框往往带有一定的背景区域，这些背景不属于目标的信息，在统计目标的颜色特征时应当预先剔除。本文使用基于自适应阈值的泛洪填充算法计算背景区域。具体步骤如下：①计算宽 w 高 h 的跟踪框内每个像素对应的像素梯度，按升序进行排序得到 w×h 长度的一维数组 S；②计算目标边缘的梯度阈值；③从跟踪框的矩形边缘开始向中心进行遍历，将梯度小于阈值的像素点标记为背景，直到遇到大于边缘阈值的像素停止遍历。标记为背景的像素不参与颜色统计。 2) 二维透视变换消除视角畸变。由于无人机多为高空侦查，地面目标可近似为二维物体，使用二维透视变换将目标的前下视图像矫正为正下视图可以消除视角倾斜带来的影响。具体方案为使用无人机的姿态及相机内参确定投影矩阵，将图像上的目标像素分别投影到地平面上，然后将地平面上的虚拟目标等比例缩放获得目标的俯视图[14]。 3) 统计目标颜色直方图并计算频率直方图。本文采用 RGB 或 HSV 颜色空间，将每种颜色分量按照 0~255 分为 10 个区间，统计每个区间的像素点数目，并除以目标像素点总数。这个 30 维的颜色频率分布直方图即为属性特征向量。 4) 计算两目标区域的颜色特征相似度并进行关联概率分配。本文采用余弦距离计算颜色特征向量的相似度。相似度取值范围为 0~1，数值越大相似度越高。为方便后续进行特征融合，两视角不同量测之间的关联概率需要满足∑Pi j=1， Pij 表示视角 1 中的量测 i 与视角 2 中的量测 j 对应同一目标的概率。 2.2 拓扑特征提取子模块目标的拓扑特征指的是目标在目标群中的几何位置信息，与单纯的坐标信息不同，拓扑特征综合考虑了参考目标与其他目标之间的相对位置关系。由于当前技术条件下无人机的位置传感器精度不足，基于坐标相对关系的拓扑特征往往更加准确稳定。由于不同无人机视角不同，为获得同一坐标系下的几何位置分布，需要使用无人机的姿态参数将目标群图像坐标转换为地理坐标。具体算法步骤如下： 1) 将目标的二维图像坐标转化为三维地理坐标。转换过程需先把成像坐标系转换为导航坐标系，再将导航坐标系变为地理坐标系。坐标系转化公式如下：   X Y Z   = T −1   Xc Yc Zc   T =   1 0 0 0 cos γ sin γ 0 −sin γ cos γ   ∗   cos θ sin θ 0 −sin θ cos θ 0 0 0 1     cos φ 0 −sin φ 0 1 0 sin φ 0 cos φ   式中：(X，Y，Z) 为目标在地理坐标系下的坐标； (θ，φ，γ) 分别为无人机的俯仰角、航向角、滚动角。 2) 计算目标的拓扑描述子。由于无人机编队覆盖范围有限，目标群分布范围可近似看做同一高度分布，只需要提取目标的二维拓扑特征。以视角中某一目标为原点建立极坐标系，将其余目标按照极角分为 12 个区间，每个区间为 π/6 弧度的扇形区域。统计每个区间中目标的极径之和，作为这一区间的特征值。这个 12 维特征向量即为当前参考目标的拓扑描述子。 3) 根据描述子计算目标之间的拓扑特征相似度。本文使用改进的曼哈顿距离计算拓扑描述子的相似度，具体步骤如下。①将两目标的拓扑描述子按位相减，获得 12 维的差值；②以 3 为滑动窗口宽度，对 12 维差值非零部分做均值滤波，消除观测角度误差带来的影响；③对滤波后的差值绝对值求和为 S，最终相似度 Similarity 计算方式如下，A、B 分别为两视角下某观测的拓扑描述子，函数 f 为均值滤波操作。 Similarity = 1− S sum S = ∑12 i=1 abs(f(A(i)− B(i))) sum = max   ∑12 i=1 abs(A(i)), ∑12 j=1 abs(B(j))   4) 根据拓扑相似度进行关联概率分配。设两视角下分别有 M 和 N 个目标，由以上步骤可获得 M×N 维的相似度矩阵 Ms。在矩阵中寻找最大元素 Msij，若 Msij≥ɛ(ɛ=0.7)，则量测 i 与量测 j 关联，然后从相似矩阵中划掉 i、j 对应的行和列，得到降阶的相似矩阵，在降阶矩阵中再找最大元素，重复上述过程，直到所有元素均小于阈值为止。 2.3 D-S 证据理论特征融合模块基于颜色特征和拓扑特征均可获得一个 M×N 维的关联概率矩阵，使用 D-S 证据理论融合两个矩阵可获得更加可靠的关联结果。本文在基于属性特征和拓扑特征的关联概率矩阵上运行证据融合过程，视角 1 中每个量测分别有 8 个关联概率与视角 2 中目标对应，加上全集和空集，每个量测的关联概率向量为 10 维。合成规则如下： θ 为假设空间，mass 函数是一个在假设空间上的基本概率分配函数 m，满足：第 5 期付昆，等：多特征融合的异视角目标关联算法 ·849·

m(Ø) = 0, ∑ A⊆θ m(A) = 1 对任意 A 属于 θ，θ 上的两个 mass 函数 m1， m2 的 Dempster 合成规则为 m1 ⊕m2(A) = 1 K ∑ B∩C=A m1(B)·m2(C),B,C ⊆ θ, K = 1− ∑ B∩C=Ø m1(B)·m2(C) 对任意 A 属于 θ，θ 上的 n 个 mass 函数 m1， m2，…，mn 的 Dempster 合成规则为 m1 ⊕m2 ⊕ ··· ⊕mn(A) = 1 K ∑ A1∩A2 ···An=A m1(A1)·m2(A2)· ··· ·mn(An) A1,A2,··· ,An ⊆ θ, K = 1− ∑ m1(A1)·m2(A2)· ··· ·mn(An) 3 实验分析本文的实验图像是基于两架无人机在不同视角下同时采集获得的可见光图像，图 2 为原图，分辨率 3 000×4 000，图 3 为目标群的位置分布情况，关联目标为车辆，每幅图像带有相应的拍摄坐标及飞行姿态数据。在两个视角中分别选取 8 个和 9 个车辆目标作为识别目标，分别编号为 101~ 109，201~208。正确对应关系如表 1 所示。 (a) 视角 1 原图 (b) 视角 2 原图图 2 两视角下无人机拍摄原图 Fig. 2 Original picture taken by UAV (a) 视角 1 目标分布位置 (b) 视角 2 目标分布位置图 3 两个视角下的目标分布 Fig. 3 Target distribution from two perspectives 表 1 两视角不同目标与量测的对应关系 Table 1 Corresponding relationship between different targets and measurement from two perspectives 目标 0 1 2 3 4 视角1 101 − 102 103 104 视角2 − 201 202 203 204 目标 5 6 7 8 9 视角1 105 106 107 108 109 视角2 205 206 207 208 − 两视角目标区域图片裁剪如表 2 所示，视角 2 拍摄位置离地更高，故同一目标的量测更小。 3.1 颜色特征提取 3.1.1 去除背景像素基于自适应阈值的泛洪填充算法处理后的目标图像如表 3 所示，预处理将背景像素统一标记为黑色。表 2 目标区域裁剪子图像 Table 2 Sub image cut from target area 编号 101 102 103 104 105 106 107 108 109 图片编号 201 202 203 204 205 206 207 208 图片 ·850· 智能系统学报第 15 卷