2013051269-余秀丽-基于多源融合技术的目标识别、定位与三维重建综述.

格式：doc
大小：850.50 KB
文档页数：12

博士□ 基地班硕士□

硕博连读研究生□ 兽医硕士专业学位□

学术型硕士□√ 工程硕士专业学位□

农业推广硕士专业学位□ 全日制专业学位硕士□

同等学力在职申请学位□ 中职教师攻读硕士学位□

高校教师攻读硕士学位□ 风景园林硕士专业学位□

西北农林科技大学

研究生课程考试试卷封面

（课程名称：农业工程研究进展）

学位课□√ 选修课□

研究生年级、姓名 2013 级余秀丽

研究生学号 2013051269

所在学院（系、部）机械与电子工程学院

专业学科农业电气化与自动化

任课教师姓名王绍金

考试日期 2014.6.5

考试成绩

评卷教师签字处

1 基于多源融合技术的目标识别、定位与三维重建

Xiuli Yu

机电学院农业电气化与自动化 2013级 2013051269 余秀丽

摘要：实现农业机械化与自动化重点在于农业机械在农业生产领域的普遍应用，其中农业自动化机械对作用对象的识别、定位与重建是关键技术。针对农作物目标识别的不同方式，文章进行了多方位的阐述：针对果木的果实采摘介绍了基于图像、机器视觉的识别定位方法，并对虚拟植物的可视化进行了从三维重建到后期的真实感渲染的综述介绍。

关键词：果实目标识别；Kinect for Windows Sensor；深度图像；三维重建；OpenGL

引言

为了节省劳动力，目前国内外研究人员已经广泛地开展了果蔬采摘机器人的研究。在采摘机器人视觉系统中，果实的识别和定位是其中的关键环节，能否快速准确地识别出果实直接影响机器人的实时性和可靠性{屠珺, 2010 #191}。在国外，采摘机器人技术已经相对成熟，并且在大型现代化农场开始应用。在国外，1968年第一次提出水果的自动检测，Schertz and Brown提出，可以根据果实的光信息识别硕士目标，当时主要是利用输液和果实不同的反射光照信息或红外光信息{A., 1968 #228}。 A.R. Jim¶enez,

R. Ceres and J.L. Pons阐述了目前采摘机器人目标定位的主要方法：基于CCD传感器获得的图像中的目标与背景颜色差异提取目标、基于果实性状特征提取目标、基于深度图像获得目标三维信息 {A.R.

Jim¶enez, 2000 #229}。Arefi, A.Motlagh, A. M.等人利用机器视觉获取室内西红柿图像，结合成熟西红柿本身的颜色特征，先在RGB颜色空间去除背景，然后在RGB、HIS、YIQ空间提取形态特征，从而定位成熟西红柿，实施机械手臂的采摘{Arefi, 2011 #230}。Song, Y.，Glasbey, C. A.，Horgan, G. W.提出了一种复杂背景下利用多幅图像识别和统计植物冠部果实数量的算法，该算法x先在一幅图像中引用了bag-of-words moldel进行寻找目标，然后对多幅图像重复聚类统计果实目标数量,结果在没有任何适应性调整的情况下，正确率达到了74.2%{Song, 2014 #235}。在国内，目前，在对采摘机器人展开研究的国中，大部分采摘机器人仍处于实验室研究阶段，尚未进入商品化生产{, #191@@hidden;屠珺, 2010

#191@@author-year;屠珺, 2010 #191;, 2010 #191;吕继东, 2012 #189}，分析其原因很多，其中对于各类环境下的果实的准确定位是困扰点之一。吕继东，赵德安等利用软件对于振荡果实进行FFT建模，实现了对振荡的果实进行快速地定位、采摘，采摘成功率达到 84%，而且适用于苹果等类球状果实采摘机器人{吕继东, 2012 #189}。D. M. BULANON等人，对苹果采摘机器人的视觉系统进行研究，针对苹果自然声场条件下枝、叶、果相互交叉重叠的情况，首先对机器视觉获取的图像进行基于颜色的多变量阈值分割，然后在果实目标中心和截断层与标准处理的图像相比较得到一种图形关系，从而定位果实目标

2 {BULANON., 2001 #237}。屠珺，刘成良等人通过彩色图像提取光照无关图，消除光照变化的影响，结果目标果实识别率的稳定度是不采用光照无关图的识别方法的 3 倍，并且其平均识别率也高达

90.45%{屠珺, 2010 #191}。陈艳军，张俊雄利用 VC 6.0 软件编程实现了苹果的两种大小分级的理论模型：一种以苹果轮廓线上两点之间的最大距离作为分级标准；另一种以苹果最大横切面直径作为分级标准，为近球形果蔬参照行业分级标准进行大小自动化分选提供参考{陈艳军, 2012 #187}。冯娟，刘刚等人使用激光视觉系统获取果树局部的三维图像经过一系列的处理，利用随机圆环法获得果实的形状特征完成对苹果的识别，当枝叶遮挡面积小于40％时，果实的正确识别率高于93.75％{冯娟, 2013 #188}。崔永杰，张发年等人综合应用果实颜色和形状特征识别自然环境中猕猴桃果实及特征提取的方法，对相互分离果实、邻接果实、被枝叶部分遮挡果实、重叠的果实进行了识别并取得了良好的效果{张发年, 2013

#210}。宋怀波等人出一种基于凸壳的重叠苹果目标分割方法。通过计算目标凸包与目标相减后的凹区域，将重叠苹果轮廓上的凹点检测转换为凹区域上的凸点检测问题，利用相关分割准则实现了凹点匹配并进行目标分割，对分割得到的非完整目标利用 Spline 插值技术进行目标重建，实现了重叠苹果目标分割{庄伊斌, 2013 #211}。同样，基于凸壳理论，宋怀波，何东健等人实现受果树枝叶遮挡、果实间相互遮挡的果实目标识别，平均定位误差为4.28%{潘景朋, 2012 #208}。

然而上面的研究虽然都取得了一定的成果，但是实际应用中还是有待提高，主要问题有正确率不高；适用环境多数是室内环境，对于自然条件下的复杂情况没能分析在内；试验设定条件自然环境难以达到等。针对上述问题，今后的果实识别定位与三维重建，应该朝着多源信息融合的方向发展。

1 多源图像信息融合技术

1.1几种类型的图像

RGB图像RGB颜色模型是面向硬件的,由摄像机获取的彩色图像被表示成由R、G、B成份，并可以转换成到具有视角角度的HIS、YIQ颜色空间彩色图像，它们们反映了物体表面的反射光的一些特征{耿楠, 1998 #300}，可以利用其进行果实品质分级、生熟度检测、含糖量估计等。

红外光波长800-2500nm，红外光图像体现了物体本身的红外辐射，可以获取物体的温度特征，由于农产品的内部成分及外部特性不同,在不同波长光线照射下会有不同的吸收或反射,也就是说,对象的分光反射率在某一特定波长域内会比其它部分大{熊运章, 1996 #302}。常常应用于水果的无损检测，何东健,前川孝昭等人利用近红外分光检测装置以柑橘和苹果为对象进行检测用完全遮光型透过光水果内部品质测定装置进行在线糖度、酸度及内部褐变等检测试验,并与常规分析法测定结果进行回归分析，实验结果表明近红外分光检测装置完全满足在线检测水果内部品质的要求{何东健, 2001 #314}。

高光谱图像在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时，也获得其光谱信息，实现了光谱与图像的结合。

3 图像信息可以反映样本的大小、形状、缺陷等外部品质特征，由于不同成分对光谱吸收也不同，在某个特定波长下图像对某个缺陷会有较显著的反映，而光谱信息能充分反映样品内部的物理结构、化学成分的差异。这些特点决定了高光谱图像技术在农产品内外部品质的检测方面的独特优势{董广军,

2006

#295}。Masoud Taghizadeh, Aoife A. Gowen等人利用高光谱图像和RGB图像建立了一个蘑菇品质评价回归模型，通过检测高光普图像对蘑菇的评价准确度高于RGB图像{Taghizadeh, 2011 #248}，正是利用了高光谱图像的光谱广度的优势。Cristóbal Garrido-Novell等人利用高光谱图像和RGB图像对苹果不同贮藏条件下的成熟度进行了估计，结果高光谱图像识别分类成功率高于RGB图像{Garrido-Novell, 2012 #242}。

深度图像也称为距离图像，是指以物体级向深度悠代替灰度图像的灰度级形成的图像。与彩色图像相比深度图像能直接反映物体表面的三维特征且不受光照、阴影、色度、物体姿势、遮挡等因素的影响，可为物体的三维重构和形态还原提供十分有用的数据信息。Kinect是2010年微软公司推出的一款体感外设，其核心设备由彩色摄像机、近红外线激光发射器和红外线感应器、摄影机组成，它能够快速地同时获取场景彩色图像和深度信息，且其不受环境可见光谱干扰，成本低廉{周国民, 2014 #164}。江晓庆，肖德琴等人，通过Kinect获取作物生长的深度图像，并利用深度图像获取了3D 点云世界坐标，为三位重建提供了基础{江晓庆, 2012 #118}。对于其他图像，如雷达图像、射频图像等也可以应用到农业生产领域。Lewis, Derek. Edwards Dan 曾在2010年提出Vision inspired spatial engine (VISE)，视觉激发空间引擎，构建了了不同源数据的由目标-目标，目标-图像的配准模型。基于目标的自动配准和目标的相关性将高光谱图像、雷达图像、光电图像、派生对象和地理信息数据相融合，获得了同一个目标更多更全面的信息{Lewis, 2010 #239}。

1.2 Kinect for Windows Sensor

对于我的研究以后要使用的仪器Kinect Sensor，如图1.它的实用性和低廉的价位为人们提供了无限的可能，从家庭游戏到高级实验室，形成了kinect Effect{Saadatseresht, 2011 #40}。2012年2月，微软正式退出了Kinect Software Development Kit (SDK) for Windows，为广大的开发爱好者提供了开发包。其不仅能够获取RGB图像和深度图像，还可以骨架跟踪、人脸跟踪、三位模型等。这些都为今后的多源信息获取提供了渠道。在近年的研究中，我国的科研者利用Kinect获取的深度图像做了很多开创性的研究。陈晓明，蒋乐天等根据深度图像信号深度图像具有很强的边缘性，前景与背景有很大的深度差的特点提出了改进的双边滤波算法，得到很好的效果；将 RGB 图像和深度图像结合,将缺失的深度图像补全并利用坐标变换得到了三维点云数据{陈晓明, 2013 #125}。刘冰,罗熊首先对 Kinect 摄像机采集到的光学图像与其相应的深度图像信息进行预处理，均匀采样后分别对其进行尺度不变特征变换 (SIFT)；然后将两组特征进行特征融合，并利用局部线性编码(LLC) 算法进行特征编码；最后应用支持向量机( SVM )

三维人脸识别研究综述

第20卷第7期2008年7月计算机辅助设计与图形学学报JOURNALOFCOMPUTER󰀁AIDEDDESIGN&COMPUTERGRAPHICSVol󰀂20,No󰀂7July,2008󰀁收稿日期:2007-11-29;修回日期:2008-04-16󰀂基金项目:国家杰出青年科学基金(60525202);国家自然科学基金(60503019,60533040);国家󰀂八六三高技术研究发展计划(2008AA01Z149);长江学者和创新团队发展计划(IRT0652).王跃明,男,1976年生,博士,CCF学生会员,主要研究方向为三维人脸识别、人脸检测、统计学习.潘󰀁纲,男,1976年生,博士,副教授,CCF会员,论文通讯作者,主要研究方向为三维人脸识别、计算机视觉、模式识别、普适计算(gpan@).吴朝晖,男,1966年生,博士,教授,博士生导师,CCF常务理事,主要研究方向为三维人脸识别、计算机视觉、模式识别、普适计算、网格计算.三维人脸识别研究综述王跃明󰀁潘󰀁纲*󰀁吴朝晖(浙江大学计算机科学与技术学院󰀁杭州󰀁310027)(ymingwang@)摘要󰀁近二十多年来,虽然基于图像的人脸识别已取得很大进展,并可在约束环境下获得很好的识别性能,但仍受光照、姿态、表情等变化的影响很大,其本质原因在于图像是三维物体在二维空间的简约投影.因此,利用脸部曲面的显式三维表达进行人脸识别正成为近几年学术界的研究热点.文中分析了三维人脸识别的产生动机、概念与基本过程;根据特征形式,将三维人脸识别算法分为基于空域直接匹配、基于局部特征匹配、基于整体特征匹配三大类进行综述;对二维和三维的双模态融合方法进行分类阐述;列出了部分代表性的三维人脸数据库;对部分方法进行实验比较,并分析了方法有效性的原因;总结了目前三维人脸识别技术的优势与困难,并探讨了未来的研究趋势.关键词󰀁人脸识别;三维人脸识别;深度数据;模式分类中图法分类号󰀁TP391.4ASurveyof3DFaceRecognitionWangYueming󰀁PanGang*󰀁WuZhaohui(CollegeofComputerScienceandTechnology,ZhejiangUniversity,Hangzhou󰀁310027)Abstract󰀁󰀁Theimage󰀁basedfacerecognitionhasmadegreatprogressoverthepastdecade,withgoodperformanceachievedundercertainconstrainedconditions.However,thesolutionisstillchallengedbyvariationsinillumination,facialposeandexpression.Herethemainreasonisthatthe2Dimageisessentiallyaprojectionofthe3Dobjectonto2Dspace.Duetotheexplicitrepresentationoffacialsurface,exploiting3Dshapeinformationforfacerecognitionisattractingmoreandmoreattentioninrecentyears,tocopewiththechallenges.Thispapersurveysthestateoftheartof3Dfacerecognition.Firstly,thebackground,conceptionandbasicprocedureof3Dfacerecognitionareintroduced.Then,3Dfacerecognitionapproaches,categorizedintothreemaingroups:spatialmatchingmethods,localfeaturebasedmethods,andglobalfeaturebasedmethods,arereviewedrespectively.Besides,facerecognitionusingbi󰀁modalof2D+3Disintroducedbriefly.Severaltypical3Dfacedatabasesarelisted,andfourtypicalmethodsareimplementedforcomparison.Finally,thepapersummarizestheadvantages,discussesthecurrentchallenges,andoutlinesthefuturedevelopmenttrend.Keywords󰀁facerecognition;3Dfacerecognition;rangedata;patternclassification󰀁󰀁在现代社会中,个人身份认证技术的应用无所不在,其中基于指纹、虹膜、人脸等人体生物特征的识别技术在多个领域有巨大的市场需求,如门禁系统、视频监控、机场安检、智能空间、自然人机交互等.尽管基于指纹和虹膜的身份认证比人脸识别技术具有更高的准确性和可靠性,但人脸识别因具有自然、友好、对用户干扰少、易被用户接受等优势而有更广阔的应用前景[1].人脸识别研究可以追溯到20世纪初[2].经过研究人员的不懈努力,基于图像的二维人脸识别技术日趋成熟,在一定约束条件下已取得较好的识别结果[1,3󰀁6].然而,研究实验表明,光照、姿态、化妆、表情、年龄等变化显著地降低了二维人脸识别算法的性能[1].近年来,学术界开始探索如何利用人脸的三维信息提高系统的识别性能,如美国FBI,NIST等多个部门联合资助发起的󰀂人脸识别大挑战计划(facerecognitiongrandchallenge,FRGC) [7].一般而言,三维人脸识别是指将采集获得的待识别对象的脸部三维形状数据作为识别依据,与库中已知身份的脸部三维形状数据进行匹配,然后得出待识别对象身份的过程.三维人脸识别是相对基于图像(及视频)的人脸识别而言的,而后者所使用的数据是二维的图像,其本质是三维物体在二维平面上的投影,是三维信息在二维空间中的简约.自动的三维人脸识别系统的基本步骤如下:Step1.通过三维人脸数据采集设备获得待识别对象的脸部三维形状信息.Step2.对获得的三维数据进行自动去噪声、切割等预处理.Step3.从三维数据中提取特征.Step4.用分类器对提取的特征做分类判别,输出最后的决策.鉴于三维人脸数据采集的独立性,目前三维人脸识别算法研究通常是指Step2~Step4,即假设三维人脸数据已经可获得.三维人脸识别始于20世纪80年代末、90年代初[8󰀁9],但因当时处理器计算性能和三维数据获取设备的限制,相关研究处于非常初级的阶段,研究所用的数据集很小,离实际应用较远.随着计算、存储设备的飞速发展和三维数据采集技术的日益成熟,尤其是2004年之后,越来越多的研究小组投入到三维人脸识别研究之中.三维人脸识别不同于二维人脸识别的关键在于所采用的数据不同,其所具有的优势也来源于此:1)采集获得的脸部三维形状数据可看作是不随光照、视图的变化而变化,且化妆等附属物对图像影响很大而对三维数据影响不明显.因而,三维人脸识别被认为具有光照不变、姿态不变的特性[10󰀁13];2)三维数据具有显式的空间形状表征,因此在信息量上比二维图像丰富.国内有2篇[14󰀁15]关于三维人脸的综述,但前者重点介绍三维人脸识别系统的框架,后者只是对现有方法的描述列举,缺乏深入分析且没有对最新技术作介绍.本文有助于国内研究人员快速了解三维人脸识别的研究状况与最新进展,以及该领域未来的研究趋势.1󰀁三维人脸匹配算法1.1󰀁基于空域直接匹配的方法基于空域直接匹配的方法不提取特征,直接进行曲面相似度匹配,常用的方法有迭代最近点法(iterativeclosestpoint,ICP)和Hausdorff距离法等,这类方法通常分为对齐和相似度计算2步.1.1.1󰀁ICP匹配ICP最早几乎同时由Chen等[16]、Besl等[17]分别独立地提出,用于曲线或曲面片段的配准,是三维数据重构过程中一个非常有效的工具[18].给定2个三维模型粗略的初始对齐条件,ICP迭代地寻求两者之间的刚性变换以最小化对齐误差,实现两者的空间几何关系的配准.给定集合P1={p11,p12,!,p1m}和P2={p21,p22,!,p2n},集合元素表示2个模型表面的坐标点,ICP配准技术迭代求解距离最近的对应点、建立变换矩阵,并对其中一个实施变换,直到达到某个收敛条件,迭代停止.其伪码如下:算法1.ICP算法输入.P1,P2.输出.经变换后的P2.P2(0)=P2,l=0;Do󰀁ForP2(l)中的每一个点p2i󰀁󰀁在P1中找一个最近的点yi;󰀁EndFor󰀁计算{(p21,y1),(p22,y2),!,(p2n,yn)}配准误差E;820计算机辅助设计与图形学学报󰀁󰀁󰀁󰀁󰀁2008年󰀁IfE大于某一阈值󰀁󰀁计算P2(l)与Y(l)之间的变换矩阵T(l);󰀁󰀁P2(l+1)=T(l)∀P2(l),l=l+1;󰀁Else󰀁󰀁停止;󰀁EndIfWhile#P2(l+1)-P2(l)#>threshold;其中配准误差E=1n∃ni=1#yi-p2i(l)#.󰀁󰀁在三维人脸识别中,通常的方法是对齐2个三维人脸后计算输入模型的相似度,其中配准误差也可以作为差别度量.Chua等[19]较早将ICP用于三维人脸模型的精确对齐;潘纲[20]采用ICP帮助检测三维人脸的对称面,进而提取侧影线.Cook等[21]将ICP用于建立三维人脸模型间坐标点的对应关系,以用于后续处理.Lu等[22]提出一个级联决策,使用改进的ICP进行三维人脸刚性变化区域的匹配,将结果作为第一级相似度量.ICP适合于刚性曲面间的变换关系求解,而人脸曲面本质上不是一个刚性曲面,塑性变形影响对齐的准确性,进而影响相似度.一种解决途径是只对刚性区域采用ICP进行对齐.Chang等[23]首先提取脸部受表情影响较小的鼻子区域,然后对鼻子区域曲面采用ICP配准并识别;文献[24]进一步选择多个模态的刚性区域,分别对齐后计算相匹配程度并将结果融合.Wang等[25]使用了一种称为partial󰀁ICP的方法对齐三维人脸,该方法也能处理包含塑性变形的三维人脸.其不同于经典ICP之处在于每次变换的计算只取对应点集合的一个子集,设定一个动态变化的比例来选取这个子集,从而可以实现动态地选取人脸的刚性变化的部分进行匹配,在一定程度上降低了表情变化对识别性能的影响.基于ICP匹配的识别算法平均性能较好,其最大问题是每对模型匹配都要用迭代方法对齐,计算代价很大.此外,ICP收敛的条件是给定粗略的初始位置,需要额外的预处理时间.1.1.2󰀁Hausdorff距离基于ICP的识别方法中的配准误差是2个点集之间的平均距离,Hausdorff距离定义了点集之间的另一种距离度量[26],它同样可以作为人脸模型间的差别度量.Hausdorff距离需要在2个对齐的人脸模型间计算,距离越小越相似.为减少计算过程中噪声的影响,Achermann等[27]选择部分最接近的点计算Hausdorff距离.为了提高匹配速度,Pan等[28]只用单向的Hausdorff距离.Lee等[29]则提出了一种基于深度值加权的Hausdorff距离,其实质是对人脸不同区域的点赋以不同的重要性,用曲率提取出脸部重要特征点和特征边,用对应特征区域的深度值加权Hausdorff距离.受Hausdorff距离的启发,Russ等[30]定义了2个量:󰀁D,Na(A,B)定义了集合对应点之间Hausdorff距离小于D的比例;hMSE,Na(A,B)是用󰀁D,Na(A,B)加权的Hausdorff距离;然后,使用类似于ICP的迭代过程对齐人脸模型.󰀁D,Na(A,B)控制对应点的选择,hMSE,Na(A,B)控制匹配程度,其根本目的是为模型的配准建立更好的对应关系,并用于有遮挡情况的三维人脸的配准.1.2󰀁基于局部特征的匹配特征是从一个对象中提取的、在一定条件下保持稳定不变的属性,其本质可以看作对一个对象的信息进行压缩或其他变换处理.对特征的要求:1)完备性.蕴含尽可能多的对象信息,使之区别于其他类别的对象;2)紧凑性.表达所需的数据量尽可能少;3)对三维人脸识别而言,还要求特征最好能在人脸模型旋转、平移、镜像变换下保持不变,人脸深度图上任意点的深度值依赖于产生该数据的视图,故不符合上述特征条件,而脸部某2个点的距离符合上述条件.基于局部特征的匹配方法的关键在于,如何从三维的脸部曲面中提取有效的形状几何信息特征.三维人脸识别中,局部特征主要包括局部描述符、曲线特征以及其他一些局部几何特征或统计特征.1.2.1󰀁局部描述符在三维场景的目标识别领域,常用曲面上某点邻域内曲面的几何信息或几何统计信息描述该点的局部特征,这种方法通常称为局部描述符,如SpinImage[31].局部描述符一般具有刚体变换恒定的性质.在三维人脸识别中,常用的策略是选择一些关键点,如鼻尖、眼框外角等;然后计算关键点的局部描述符;最后通过匹配2个人脸模型对应的关键点的8217期王跃明等:三维人脸识别研究综述

基于RGB-D视频的面向模型的三维物体检测与重建

III

摘要

近年来，三维重建越来越受到更多计算机视觉领域学者的重视，随着三维重

建的要求越来越高，其难度也愈加明显。三维重建的难度在于以下几个原因：物

体移动的范围、采取受噪声影响的三维点群的精确度、点群之间互相的遮蔽情形、

三维重建的速度等因素。近年来提出的重建方法中，图像数据的捕捉都在简单的

场景或是将目标置于旋转平台上。所以为了减少场景的限制，在本论文中，探讨

如何使用与目标同类型的三维模型去辅助用户检测目标的姿态及位置，并达成重

建的目的。

本文通过单RGB-D相机获得了3D图像，提出一个基于RGB-D视频的面向

模型的三维物体检测与重建的方法。利用RGB-D图像数据具有丰富信息的特点，

有效增加目标检测与姿态估计的准确率。利用事先建立的三维目标样本所提供的

不同视角的RGB-D数据，可以准确地检测输入图像的目标，且在相机的内部与

外部参数无法得知的情况下，有效进行目标姿态估计。

利用改进的追踪与对齐技术，本论文所提出的3D目标重建技术可实现扩增

实境应用的3D图像显示、互动及场景重建的需求。与传统使用少量特征的姿态

估计相比，该方法能更有效地重建高质量的三维物体。为了验证重建系统的可靠

性，将本文所使用的方法与其他姿态估计的方法进行比较，结果表明本方法具有

明显优势，证明重建系统能够有效地检测目标与姿态估计。

关键词：

三维目标模型，RGB-D视频，目标检测，姿态估计，三维重建，三维校正

IVAbstract

In recent years, 3D reconstruction has received more and more attention from

scholars in the field of computer vision. As the requirements for 3D reconstruction

become higher and higher, the difficulty becomes more and more obvious. The

基于多传感器信息融合的目标识别技术

龙源期刊网

基于多传感器信息融合的目标识别技术

作者：王东明张明堂

来源：《科技资讯》2018年第12期

摘要：目标识别在传统上，都是靠一种性质的传感器采集目标数据，缺点是只能在简单的环境场合应用，识别正确率和识别效率低。本文通过研究将相同的或者不同性质的多传感器进行有效结合，并且同时获取目标的原始信息，通过各种特征提取的方法获得目标的多方位、多性质的特征值数据，并对特征值数据通过特征融合算法进行特征融合，目标识别正确率得到提升和识别的时间得到减少。

关键词：多传感器特征提取特征融合目标识别

中图分类号：TP21 文献标识码：A 文章编号：1672-3791（2018）04（c）-0001-02

多传感器信息融合的目标识别技术在各个方面的应用很多，可以应用在计算机视觉、军事、遥感等很多方面，所以对于理论和应用的研究，具有重要的意义[1]。利用多传感器的信息融合目标识别技术能够在很复杂的背景环境，对目标进行识别，通过融合，减少了信息量，对目标的识别准确率和时间上都得到了极大的提高。目前，在各个领域，信息融合技术已经普遍使用，然而目标特征融合的目标识别技术，在国内目前研究比较少，并且需要解决许多问题，迫切需要开展广泛深入的基础理论和技术研究[2]。

1 多传感器信息融合目标识别整体系统设计

多传感器信息融合的含义是将可见光、红外、激光雷达等性质相异的多个传感器组获取的目标原始信息进行融合。首先解决的问题就是针对不同传感器使用不同的特征提取算法来提取目标的特征数据，然后在使用融合算法，将目标特征信息融合成复合特征信息量，使用分类识别算法，识别目标的过程。特征融合目标识别系统模块能够把原始目标信息中的相关特征数据提取出来、使特征数据真正有效、并且保证信息完整，从而融合成为待识别的融合特征信息，从而实现提高识别的准确率和效率[2]。