论文部分内容阅读
在周界监控传感网中，由于应用场景复杂、传感节点资源受限和目标特性多变等原因，给运动目标的检测识别有效性带来了巨大的挑战。本文依托国家科技重大专项，针对周界监控传感网中运动目标的融合检测识别问题，从数据融合检测、最优化检测、多源决策融合识别和多源最优化特征融合识别四个方面进行了研究，论文的主要研究内容与创新点如下:
1)已有背景更新方法无法很好解决周界区域复杂场景的“假目标/事件”检测和“鬼影”检测的问题，基于Kalman滤波器时域融合背景更新与动态融合重构，提出了基于Kalman滤波器与融合重构的背景更新方法，并在此基础上结合绝对差分图像的2维DCT降噪，提出了基于降噪的数据融合运动目标检测算法，进一步提高了检测有效性和检测目标前景的区分性与均衡性。
2)针对周界监控传感网运动目标检测的最优化问题，将最优化思想引入到运动目标检测算法的参数选择中，提出了基于目标粗分割与粒子群参数优化的运动目标检测算法。通过背景区域划分实现区域的独立更新，带收缩因子的PSO方法对不同区域进行最优参数选择以构建最优背景图像并实现最优检测，该方法的F-measure达0.9694，比常规方法至少高26.7％，同时也提高了参数选择的效率。
3)为克服周界监控传感网中多源冲突信息导致决策融合高错误率的问题，提出了改进的冲突证据加权融合方法，利用Jousselme证据距离衡量证据间的冲突程度，并以加权的方式对融合进行修正。在此基础上结合支持向量机理论，提出了基于改进冲突证据融合的运动目标决策融合识别算法，很好的克服了冲突信息融合结果错误与信任偏移的问题，获得更高的识别准确率。
4)结合粒子群优化算法与支持向量机对封装式特征融合算法进行了研究，提出了基于改进CBPSO-SVM特征选择的运动目标特征融合识别方法，利用混沌映射对BPSO的惯性权重进行实时更新，避免过早的收敛于局部最优以选择最优特征子集，同时设置了综合考虑特征压缩率和识别有效性的适应度函数，很好的消除了冗余特征，大大降低特征维数，并提高了识别准确率。