基于Dempster Shafer证据理论的匹配区多特征适配性分析方法

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于Dempster Shafer证据理论的匹配区多特征适配性分析方法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：匹配区的适配性分析在景象匹配视觉导航中至关重要。目前已有很多匹配区适配性分析特征指标，但都只能片面说明匹配区的适配性。试图将多种特征指标进行综合，解决不同特征指标对适配性分析的冲突性，提出一种特征指标适配置信度和不确定置信度的度量方法，利用Dempster Shafer（D S）证据理论对置信度进行融合，得出匹配区适配综合置信度，实验验证了该算法的有效性。

关键词：适配性；特征指标；Dempster Shafer（D S）证据理论；景象匹配；视觉导航

中图分类号：TP391.41

0引言

景象匹配是视觉导航中常用的方法之一。适配区是景象匹配正确概率较高并且匹配结果较为可靠的区域。按照特定准则选取能满足唯一性、稳定性、丰富性的景象区域作为适配区称为匹配区适配性分析。适配区选取的优劣直接影响景象匹配视觉导航结果的可靠性和有效性。

目前研究景象匹配适配区的方法有很多种。国外相关机构对适配区的研究主要集中在兴趣区域（RegionOfInterest，ROI）上，是指目标跟踪背景下基于特定兴趣区域的特征提取与特征选择[1-3]。国内研究重点集中于预测景象区域的正确匹配概率[4-6]，其中常用的一种是综合多种图像特征指标来确定适配区[7]。由于一个图像特征只反映了图像一方面的适配性，如：唯一性、稳定性、丰富性等，因而通过分析匹配区的多种图像特征，选择满足多种特征指标要求的区域往往可以获得更高的匹配概率。刘扬等[7]研究了基于互相关峰的特征指标，并且通过实验得到了指标与匹配概率间的关系，用于预测匹配概率。杜菁等[8]通过实验构建了信噪比、重复模式和匹配概率之间的三维模型，通过已知的信噪比与重复模式来预测匹配概率，取得了一定的效果。江标初等[9]提出一种由粗到细的层次景象匹配区选取准则，从信息量、稳定性和唯一性等角度分析适配性。

实验发现，不同的特征指标之间往往存在冲突，以上算法虽然能够建立多种特征指标和匹配概率间的关系，却没有处理特征指标间的冲突。dempster shafer（D S）证据推理是一种重要的人工智能方法，广泛应用于数据融合和智能决策，适用于无先验信息的融合，其在不确定性的表示、测量和组合方面的优势受到广泛重视[10]。文献[11]研究了特征指标与置信度之间的关系，并且利用了D S组合规则对置信度进行加权融合，最后通过实验验证有效性，但该文并未建立完善的D S辨识框架，仅给出了适配置信度与特征间的关系，并没有对不适配和不确定的置信度分配进行分析。

本文基于多种特征指标分析匹配区的适配性，选取了图像灰度方差和次高峰最高峰之比两个特征指标描述匹配区的明显性和唯一性，选取了独立像元数的特征指标用于描述匹配区的丰富性，并且利用光照变化下的同一地区的多张GoogleEarth图像进行分析，以确保提取的适配区在不同光照下保持不变。提出了一种由特征指标计算适配置信度、不确定置信度和不适配置信度的方法，使用D S证据推理对三种置信度进行融合，解决特征间冲突，给出区域综合的适配置信度。最后通过仿真实验验证本算法的有效性。