一种面向图像模式分类的基于含混样本密度估计的证据建模方法及系统与流程

1.本发明属于模式分类技术领域，涉及一种针对混合焦元的证据建模方法，特别涉及一种面向图像模式分类的基于含混样本密度估计的证据建模方法及系统。


背景技术：

2.模式分类(pattern classification)是利用计算机通过数学方法对表征事物或现象的信息进行处理，并对事物或现象进行分类和解释的过程。模式分类作为信息科学的重要研究领域，被广泛应用于计算机视觉、自然语言处理、数据挖掘和生物医学等领域。
3.传统的图像模式分类的一般过程包括图像信息的数字化及预处理、特征提取、分类器设计和分类器评价，其方法包括统计识别方法、结构识别方法、模糊识别方法及智能识别方法。随着图像模式分类相关研究的深入，出现了越来越多的优秀分类算法，如决策树分类算法、bp神经网络分类算法和支持向量机分类算法等，这些算法很好的提高了图像模式分类的水平。但由于单一传感器的局限性，分类器输入的单一特征无法胜任分类任务，结果往往具有一定的不确定性，即不能准确地描述事物或现象的类别归属。
4.基于上述分析表述的问题，基于证据组合的模式分类方法借助信息融合的思想，利用多源信息提供的特征，在不同特征上进行证据建模，并通过证据组合规则进行融合，通过特征对应信息的互补集成，消解或抑制单一特征模式分类的不确定性，积弱成强以提升识别精度，基于证据组合的模式分类方法的理论基础为d-s证据理论。
5.dempster-shafer(ds)证据理论是不确定性建模和推理的重要数学框架，应用于信息融合、模式分类、多属性决策等领域。在d-s证据理论框架中，基本信度分配(basic belief assignment，bba)函数的生成对应于不确定性建模。bba函数本质上是一种集值随机变量,所以其生成问题本质上是有关集值随机变量的分布建模，也就是说证据建模问题，因此，bba函数的生成当前仍是一个困难的问题。对于由不同传感器或不同特征生成的各个bba函数，采用dempster组合规则进行融合可以得到最终的融合结果，因此bba函数的生成方式，即证据建模的方式是否合理直接影响到后续融合以及分类决策结果的准确性。
6.现有的证据建模方法中，如基于三角模糊数模型的方法，该方法首先针对全部单点焦元对应的类别构造三角模糊数模型，然后计算模糊数之间的相似性度量并归一化生成证据函数，其中混合焦元的相似性度量通过单点焦元模型的相交部分间接构造；在基于钟型函数的方法中，将钟型函数作为构建相似度评估的模型，该方法通过单点焦元模型的相交部分求出混合焦元相似度，进而对混合焦元进行证据建模；在基于区间数的证据建模方法中，应用区间数的距离来衡量区间数之间的相似度，进而得到命题的基本概率指派，该方法建立不同类别的区间数模型求出相似度，进而对焦元进行证据建模。证据函数描述不确定性的优势就体现在混合命题即混合焦元的引入，因此混合焦元的不确定性建模至关重要。
7.在上述现有证据建模方法中，直接针对单点焦元进行建模，而复合焦元的证据函
数则是根据单点焦元的赋值采用启发式的方法间接求出的，这缺乏对分类不确定性描述的客观性与直观性，基于区间数的方法虽然针对混合焦元求出了区间数的距离并得到证据函数，但对混合焦元的描述实际上是基于均匀分布假设的，也无法客观准确的描述分类不确定性。复合焦元及其证据函数的合理生成，对于充分利用d-s证据理论的优势，即表示模糊性的能力至关重要，而现有方法无法直接对混合焦元进行证据建模，这将影响对混合焦元模糊性的直观表示。综上，亟需一种新的面向图像模式分类的基于含混样本密度估计的证据建模方法及系统。


技术实现要素：

8.本发明的目的在于提供一种面向图像模式分类的基于含混样本密度估计的证据建模方法及系统，以解决上述存在的一个或多个技术问题。本发明针对现有证据建模方法没有对混合焦元进行直接建模的不足，具体提供了一种面向图像模式分类的基于含混样本密度估计的证据建模新方法，能够直接生成混合焦元的bba函数，可更直观地对混合焦元进行证据建模，且能够更有效地提升其应用于基于证据组合的图像识别分类时的性能。
9.为达到上述目的，本发明采用以下技术方案：
10.本发明的一种面向图像模式分类的基于含混样本密度估计的证据建模方法，包括以下步骤：
11.获取多源图像并进行图像类别分类，将分类为同一图像类别的图像进行拼接，获取拼接后图像的一维向量图像特征；
12.基于所述一维向量图像特征，将每个图像类别定义为一个单点焦元，多个图像类别集合定义为混合焦元；通过各混合焦元对应的多个图像类别的全部样本之间的交运算或并运算，构建属于混合焦元的含混样本；
13.基于构建获得的含混样本，通过混合高斯模型或生成对抗网络估计出混合焦元在各属性上对应的概率密度函数；通过单高斯模型或生成对抗网络估计出单点焦元的概率密度函数；
14.基于获得的概率密度函数，求出待建模样本在每个焦元的概率密度函数上对应的概率密度值，将待建模样本在所有焦元上的概率密度值归一化生成基本信度分配函数，完成证据建模。
15.本发明方法的进一步改进在于，所述获取多源图像并进行图像类别分类，将分类为同一图像类别的图像进行拼接，获取拼接后图像的一维向量图像特征的步骤具体包括：
16.通过光学、红外和雷达三种图像采集传感器获得多源图像，将所述多源图像按照预设的图像类别进行分类，将同一图像类别的图像进行拼接，获得拼接后的图像；基于所述拼接后的图像，利用卷积神经网络模型提取深层抽象特征，将图像特征转变为一维向量图像特征。
17.本发明方法的进一步改进在于，所述预设的图像类别包括预设数量的全车辆类别，预设数量的全飞机类别，以及预设数量的车辆飞机混合类别。
18.本发明方法的进一步改进在于，所述通过各混合焦元对应的多个图像类别的全部样本之间的交运算或并运算，构建属于混合焦元的含混样本中，
19.所述交运算对混合焦元包含图像类别的所有样本使用贝叶斯决策的基本分类器
进行分类，将分类错误的样本归为含混样本；
20.所述并运算将对混合焦元包含图像类别的所有样本都归为含混样本。
21.本发明方法的进一步改进在于，所述基于构建获得的含混样本，通过混合高斯模型或生成对抗网络估计出混合焦元在各属性上对应的概率密度函数；通过单高斯模型或生成对抗网络估计出单点焦元的概率密度函数中，
22.针对单点焦元{θi}，单高斯模型的计算表达式为，
[0023][0024]
其中，表示单点焦元{θi}在属性j上的概率密度函数，和σ
ij
分别为类别i的样本在属性j上的平均值和标准差；
[0025]
针对混合焦元h，混合高斯模型的计算表达式为，
[0026][0027]
其中，表示混合焦元h在属性j上的概率密度函数，表示类别t的高斯模型，π
t
表示的权重；
[0028]
参数和π
t
的计算表达式为，
[0029][0030][0031][0032]
其中，n
t
表示混合焦元h对应的含混样本中类别t的样本数，n表示混合焦元h对应的含混样本总数，表示属于类别t的样本在属性j上的值。
[0033]
本发明方法的进一步改进在于，所述基于构建获得的含混样本，通过混合高斯模型或生成对抗网络估计出混合焦元在各属性上对应的概率密度函数；通过单高斯模型或生成对抗网络估计出单点焦元的概率密度函数中，
[0034]
生成对抗网络模型的结构为一个生成模型g和一个判别模型d，其目标函数的计算表达式为，
[0035][0036]
其中，x为采样于分布p
data
(x)的真实数据，z是采样于先验分布pz(z)的虚假数据，e(
·
)表示求期望。
[0037]
本发明方法的进一步改进在于，所述基于获得的概率密度函数，求出待建模样本在每个焦元的概率密度函数上对应的概率密度值，将待建模样本在所有焦元上的概率密度
值归一化生成基本信度分配函数，完成证据建模中，
[0038]
将待建模样本在所有焦元上的概率密度值归一化生成基本信度分配函数的计算表达式为，
[0039][0040]
其中，mj(c)表示焦元c在属性j上的bba函数，xj测试样本在属性j上的值，表示xj在焦元c对应的pdf中的概率密度值。
[0041]
本发明的一种面向图像模式分类的基于含混样本密度估计的证据建模系统，包括：
[0042]
图像及特征获取模块，用于获取多源图像并进行图像类别分类，将分类为同一图像类别的图像进行拼接，获取拼接后图像的一维向量图像特征；
[0043]
含混样本获取模块，用于基于所述一维向量图像特征，将每个图像类别定义为一个单点焦元，多个图像类别集合定义为混合焦元；通过各混合焦元对应的多个图像类别的全部样本之间的交运算或并运算，构建属于混合焦元的含混样本；
[0044]
概率密度函数获取模块，用于基于构建获得的含混样本，通过混合高斯模型或生成对抗网络估计出混合焦元在各属性上对应的概率密度函数；通过单高斯模型或生成对抗网络估计出单点焦元的概率密度函数；
[0045]
基本信度分配函数获取模块，用于基于获得的概率密度函数，求出待建模样本在每个焦元的概率密度函数上对应的概率密度值，将待建模样本在所有焦元上的概率密度值归一化生成基本信度分配函数，完成证据建模。
[0046]
与现有技术相比，本发明具有以下有益效果：
[0047]
本发明针对现有证据建模方法没有对混合焦元进行直接建模的不足，提出了一种面向图像模式分类的基于含混样本密度估计的证据建模新方法，能够直接生成混合焦元的bba函数，更直观地对混合焦元进行证据建模，且能够更有效地提升其应用于基于证据组合的图像模式分类时的性能。具体的，本发明首先通过交运算或并运算构造混合焦元对应的含混样本，然后通过混合高斯模型或生成对抗网络估计出各焦元的概率密度函数，基于本发明构造的面向模式分类的基于含混样本密度估计的证据建模能够有效地提升模式分类性能。本发明方法可用于指导基于证据组合的模式分类系统的设计，提高基于证据组合的模式分类的正确率。
[0048]
本发明的系统能够直接生成混合焦元的证据函数，更直观地对混合焦元进行证据建模，且能够更有效地提升其应用于基于证据组合的图像模式分类时的性能。
附图说明
[0049]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0050]
图1是本发明实施例中，光学图像传感器得到的车辆图像样本示意图；
[0051]
图2是本发明实施例中，红外图像传感器得到的车辆图像样本示意图；
[0052]
图3是本发明实施例中，雷达图像传感器得到的车辆图像样本示意图；
[0053]
图4是本发明实施例中，基于混合高斯模型的概率密度估计并生成bba函数的流程示意图；
[0054]
图5是本发明实施例中，生成对抗网络结构示意图；
[0055]
图6是本发明实施例中，基于生成对抗网络的概率密度估计并生成bba函数的流程示意图。
具体实施方式
[0056]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0057]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0058]
下面结合附图对本发明做进一步详细描述：
[0059]
本发明实施例的一种面向图像模式分类的基于含混样本密度估计的证据建模方法，包括以下步骤：
[0060]
步骤1，通过光学、红外和雷达三种图像采集传感器得到多源图像，图像类别分为全车辆(5类)，全飞机(5类)，以及两者的混合识别(10类)；将同一类别的三种图像进行拼接，利用卷积神经网络(cnn)模型提取图像的深层抽象特征，将图像特征转变为一维向量；
[0061]
步骤2，基于步骤1得到的图像特征，将每个类别定义为一个单点焦元；将拥有多个类别元素的集合定义为混合焦元(多类别集合命题)，表示类别归属不确定的样本；通过各元素对应类别的全部样本之间的交运算或并运算，构建属于混合焦元的含混样本；其中，交运算对混合焦元包含类别的所有样本使用基本分类器(贝叶斯决策)进行分类，将分类错误的样本归为对应的含混样本；并运算将对混合焦元包含类别的所有样本都归为含混样本；
[0062]
步骤3，基于步骤2构造的含混样本，通过混合高斯模型(gaussian mixture model,gmm)或生成对抗网络(generative adversarial network,gan)估计出混合焦元在各属性上对应的概率密度函数(pdf)；并通过单高斯模型或gan估计出单点焦元的pdf；
[0063]
步骤4，基于步骤3计算获得的pdf，求出测试样本在每个焦元的pdf上对应的概率密度值，将测试样本在所有焦元上的概率密度值归一化，从而生成基本信度分配(basic belief assignment,bba)函数，完成证据建模。
[0064]
本发明实施例中，针对现有证据建模方法没有对混合焦元进行直接建模的不足，
提出了一种面向图像模式分类的基于含混样本密度估计的证据建模新方法，能够直接生成混合焦元的bba函数，更直观地对混合焦元进行证据建模，且能够更有效地提升其应用于基于证据组合的图像模式分类时的性能。
[0065]
基于上述实施例，本发明实施例的步骤2中具体包括：
[0066]
(1)交运算
[0067]
以混合焦元{θ1,θ2}为例，对训练集中所有属于1类和2类的样本进行贝叶斯分类决策，将分类错误的样本归为{θ1,θ2}对应的混合类样本；
[0068]
(2)并运算
[0069]
将训练集中所有属于1类和2类的样本都归为{θ1,θ2}对应的混合类样本。并运算是将混合焦元包含的所有类别样本都归为混合类；
[0070]
交运算或并运算直接构建了混合焦元(多类别集合命题)对应的混合类样本，在此基础上可直接对混合焦元进行建模；当样本数量少时，交运算构建的含混样本数量不足，导致对混合焦元对应的pdf估计不准确，影响bba的生成以及融合分类的性能，此时采用并运算构建含混样本。当样本数量充足时，交运算和并运算均可采用。
[0071]
本发明实施例中，对分类含混性对应的混合焦元的直接建模，有助于保留分类不确定性，避免信息损失，为后续融合消解不确定性奠定基础。
[0072]
本发明实施例的步骤2中，通过交运算或并运算直接构建了混合焦元(多类别集合命题)对应的混合类样本，在此基础上可直接对混合焦元进行建模。
[0073]
本发明实施例的步骤3中，
①
混合高斯模型方法相比于单高斯模型，模型更加细致，可以更好地拟合混合焦元(多类别集合命题)对应的含混样本的概率密度分布；
②
生成对抗网络方法通过交替优化的方式优化生成器g和判别器d，最终通过生成器g生成服从真实数据分布的样本，以此估计含混样本的概率密度。
[0074]
本发明实施例的步骤4中，为了将概率密度值转化为基本信度分配(bba)，通过归一化的方式处理测试样本对于各焦元的概率密度值。
[0075]
基于上述实施例，本发明实施例的步骤3中具体包括：
[0076]
针对单点焦元{θi}，单高斯模型的计算表达式为，
[0077][0078]
其中，表示单点焦元{θi}在属性j上的概率密度函数，和σ
ij
分别为类别i的样本在属性j上的平均值和标准差；
[0079]
针对混合焦元h，混合高斯模型的计算表达式为，
[0080][0081]
其中，表示混合焦元h在属性j上的概率密度函数，表示类别t的高斯模型，π
t
表示的权重，参数的权重，参数和π
t
的计算表达式为，
[0082]
[0083][0084][0085]
其中，n
t
表示混合焦元h对应的含混样本中类别t的样本数，n表示混合焦元h对应的含混样本总数，表示属于类别t的样本在属性j上的值；相比于单高斯模型，混合高斯模型更加复杂，可以更好地拟合混合焦元(多类别集合命题)对应的含混样本的概率密度分布。
[0086]
gan模型的结构为一个生成模型g和一个判别模型d，生成模型的目的是学习真实的数据分布，生成与真实数据接近的虚假样本，而判别模型的目标是对真实数据和虚假数据进行分类，将gan的优化问题可描述为一个极大极小优化问题，其目标函数的计算表达式为，
[0087][0088]
其中，x为采样于分布p
data
(x)的真实数据，z是采样于先验分布pz(z)的虚假数据，e(
·
)表示求期望。
[0089]
本发明实施例的方法中，采用交替优化的方式，使生成器g和判别器d在相互对抗并迭代优化的过程中性能不断提升，最终g生成的数据接近于真实数据分布，此时通过生成器g生成大量样本，并通过直方图的概率密度估计方法，估计出真实数据的pdf。
[0090]
基于上述实施例，本发明实施例的步骤4具体包括以下步骤：
[0091]
为了将概率密度值转化为基本信度分配(bba)，将测试样本在所有焦元上的概率密度值归一化生成基本信度分配(bba)函数，具体的计算表达式为，
[0092][0093]
其中，mj(c)表示焦元c在属性j上的bba函数，xj测试样本在属性j上的值，表示xj在焦元c对应的pdf中的概率密度值。
[0094]
本发明实施例针对现有证据建模方法没有对混合焦元进行直接建模的不足，提出了一种面向图像模式分类的基于含混样本密度估计的证据建模新方法，能够直接生成混合焦元的bba函数，更直观地对混合焦元进行证据建模，且能够更有效地提升其应用于基于证据组合的图像模式分类时的性能。本发明首先通过交运算或并运算构造混合焦元对应的含混样本，然后通过混合高斯模型或生成对抗网络估计出各焦元的概率密度函数，基于本发明构造的面向图像模式分类的基于含混样本密度估计的证据建模系统能够有效地提升图像模式分类性能。本发明可用于指导基于证据组合的图像模式分类系统的设计，提高基于证据组合的图像模式分类的正确率。
[0095]
本发明实施例中，模拟在实际复杂场景下的图像识别分类效果，根据图像采集传感器的不同可分为光学、红外和雷达三种图像；图像类别分为全车辆(5类)，全飞机(5类)，以及两者的部分混合识别(6类)。每种类型的图像50张，分别由原始采集图像经过旋转、缩放变换后得到；实验中将同一类别的三种图像进行拼接，利用卷积神经网络(cnn)模型提取
图像的深层抽象特征，将图像特征转变为一维向量进行融合分类实验；对于基于gmm的密度估计方法，融合分类正确率在车辆数据集，能够达到0.9160；融合分类正确率在飞机数据集，能够达到0.9020；融合分类正确率在混合数据集，能够达到0.8764；对于基于gan的密度估计方法，融合分类正确率在车辆数据集，能够达到0.9160；融合分类正确率在飞机数据集，能够达到0.9020；融合分类正确率在混合数据集，能够达到0.8764。
[0096]
本发明实施例的一种面向模式分类的基于含混样本密度估计的证据建模系统，包括：
[0097]
图像采集与特征提取模块，用于采集多源图像并提取出特征向量；
[0098]
含混样本构建模块，用于基于交运算或并运算构建含混样本，表示混合焦元模糊性的能力；
[0099]
概率密度函数计算模块，用于基于含混样本构建模块构造的各混合焦元的含混样本，计算获得各焦元的概率密度函数；
[0100]
证据函数生成模块，用于基于概率密度函数计算模块计算获得的各焦元的概率密度函数求出测试样本的概率密度值，并归一化生成基本概率分配(bba)函数；
[0101]
所述图像采集与特征提取模块中，通过光学、红外和雷达三种图像采集传感器得到多源图像，图像类别分为全车辆(5类)，全飞机(5类)，以及两者的混合识别(10类)；将同一类别的三种图像进行拼接，利用卷积神经网络(cnn)模型提取图像的深层抽象特征，将图像特征转变为一维向量；将每个类别对应为一个单点焦元；将拥有多个类别元素的集合称为混合焦元(多类别集合命题)，表示类别归属不确定的样本；
[0102]
所述含混样本构建模块中，将每个类别对应为一个单点焦元；将拥有多个类别元素的集合称为混合焦元(多类别集合命题)，表示类别归属不确定的样本；通过各元素对应类别的全部样本之间的交运算或并运算，构建属于混合焦元的含混样本；其中，交运算对混合焦元包含类别的所有样本使用基本分类器(贝叶斯决策)进行分类，将分类错误的样本归为对应的含混样本；并运算将对混合焦元包含类别的所有样本都归为含混样本。
[0103]
所述概率密度函数计算模块中，针对单点焦元{θi}，单高斯模型的计算表达式为，
[0104][0105]
其中，表示单点焦元{θi}在属性j上的概率密度函数，和σ
ij
分别为类别i的样本在属性j上的平均值和标准差。
[0106]
针对混合焦元h，混合高斯模型的计算表达式为，
[0107][0108]
其中，表示混合焦元h在属性j上的概率密度函数，表示类别t的高斯模型，π
t
表示的权重，参数的权重，参数和π
t
的计算表达式为，
[0109]
[0110][0111][0112]
其中n
t
表示混合焦元h对应的含混样本中类别t的样本数，n表示混合焦元h对应的含混样本总数，表示属于类别t的样本在属性j上的值；相比于单高斯模型，混合高斯模型更加复杂，可以更好地拟合混合焦元(多类别集合命题)对应的含混样本的概率密度分布。
[0113]
gan模型的结构为一个生成模型g和一个判别模型d，生成模型的目的是学习真实的数据分布，生成与真实数据接近的虚假样本，而判别模型的目标是对真实数据和虚假数据进行分类，将gan的优化问题可描述为一个极大极小优化问题,其目标函数的计算表达式为，
[0114][0115]
其中，x为采样于分布p
data
(x)的真实数据，z是采样于先验分布pz(z)的虚假数据，e(
·
)表示求期望；本方法采用交替优化的方式，使生成器g和判别器d在相互对抗并迭代优化的过程中性能不断提升，最终g生成的数据接近于真实数据分布，此时通过生成器g生成大量样本，并通过直方图的概率密度估计方法，估计出真实数据的pdf。
[0116]
所述证据函数生成模块中，为了将概率密度值转化为基本信度分配(bba)，将测试样本在所有焦元上的概率密度值归一化生成基本信度分配(bba)函数，具体的计算表达式为，
[0117][0118]
其中，mj(c)表示焦元c在属性j上的bba函数，xj测试样本在属性j上的值，表示xj在焦元c对应的pdf中的概率密度值。
[0119]
本发明实施例的一种面向模式分类的基于含混样本密度估计的证据建模方法，包括以下步骤：
[0120]
(1)图像采集与特征提取。
[0121]
根据光学、红外和雷达三种图像采集传感器得到多源图像，图像类别分为全车辆(5类)，全飞机(5类)，以及两者的混合识别(10类)；将同一类别的三种图像进行拼接，利用卷积神经网络(cnn)模型提取图像的深层抽象特征，将图像特征转变为一维向量；将每个类别对应为一个单点焦元；将拥有多个类别元素的集合称为混合焦元(多类别集合命题)，表示类别归属不确定的样本。
[0122]
(2)基于交运算或并运算的含混样本构建。
[0123]
通过各元素对应类别的全部样本之间的交运算或并运算，构建属于混合焦元的含混样本；其中，交运算对混合焦元包含类别的所有样本使用基本分类器(贝叶斯决策)进行分类，将分类错误的样本归为对应的含混样本；并运算将对混合焦元包含类别的所有样本都归为含混样本；
[0124]
交运算：以混合焦元{θ1,θ2}为例，对训练集中所有属于1类和2类的样本进行贝叶斯决策分类，将分类错误的样本归为{θ1,θ2}对应的混合类样本；
[0125]
并运算：将训练集中所有属于1类和2类的样本都归为{θ1,θ2}对应的混合类样本。并运算是将混合焦元包含的所有类别样本都归为混合类。
[0126]
(3)基于混合高斯模型或生成对抗网络估计的证据函数生成。
[0127]
在得到混合焦元的含混样本后，通过混合高斯模型或生成对抗网络对各焦元对应的样本进行概率密度估计，并将测试样本的概率密度值归一化生成证据函数；
[0128]
混合高斯模型的计算表达式为，
[0129][0130]
其中，表示混合焦元h在属性j上的概率密度函数，表示类别t的高斯模型，π
t
表示的权重，参数的权重，参数和π
t
的计算表达式为，
[0131][0132][0133][0134]
其中n
t
表示混合焦元h对应的含混样本中类别t的样本数，n表示混合焦元h对应的含混样本总数，表示属于类别t的样本在属性j上的值。
[0135]
本发明实施例针对现有证据建模方法没有对混合焦元进行直接建模的不足，提出了一种面向图像模式分类的基于含混样本密度估计的证据建模新方法，能够直接生成混合焦元的bba函数，更直观地对混合焦元进行建模，且能够更有效地提升其应用于基于证据组合的图像模式分类时的性能。
[0136]
请参阅图1、图2和图3，本发明实施例的方法通过光学、红外和雷达图像采集传感器采集到三种不同的图像；图像类别分为全车辆(5类)，全飞机(5类)，以及两者的部分混合识别(6类)；每种类型的图像50张，分别由原始采集图像经过旋转、缩放变换后得到；实验中将同一类别的三种图像进行拼接，利用卷积神经网络(cnn)模型提取图像的深层抽象特征，将图像特征转变为一维进行实验。
[0137]
请参阅图4和图6，使用交或并的方法构造含混样本用于估计混合焦元的概率密度函数，并运用混合高斯模型或生成对抗网络进行概率密度估计，将测试样本的概率密度值归一化生成证据函数。
[0138]
请参阅图5，本发明的方法使用的生成对抗网络模型中，由一个生成模型g和一个判别模型d组成，采用交替优化的方式，使生成器g和判别器d在相互对抗并迭代优化的过程中性能不断提升，最终g生成的数据接近于真实数据分布，此时通过生成器g生成大量样本，并通过直方图的概率密度估计方法，估计出真实数据的pdf。
[0139]
本发明实施例中的实验使用两种概率密度估计方法，分别为基于混合高斯模型的
方法或基于生成对抗网络的方法；面向三种图像数据集的证据融合分类实验采用4种分类评估指标：准确率，精确率，召回率，特异度。上述基于含混样本密度估计的证据建模方法在各数据集上的基于证据组合的模式分类结果如表1所示。
[0140]
表1.不同证据建模方法在证据融合分类上的指标/％(mean
±
std)
[0141][0142]
从表1可以看出，与使用传统基于三角隶属度函数的证据建模方法相比，在各图像数据集上使用基于混合高斯模型或生成对抗网络含混密度估计的证据建模方法，其融合分类正确率均较为理想。结果表明基于新的面向图像模式分类的含混样本密度估计的证据建模方法，提升了融合分类性能。
[0143]
在模式分类领域中，基于证据组合的图像模式分类技术能有效提升分类性能。证据函数描述不确定性的优势就体现在混合命题即混合焦元的引入，因此混合焦元的不确定性建模至关重要。但是，传统的证据建模方法对混合焦元的建模方式并不直观，使用这些方法生成的bba函数进行证据融合分类很难得到理想的结果。因此，本发明提出一种新的面向图像模式分类的基于含混样本密度估计的证据建模方法。该方法首先构造混合焦元的含混样本，然后通过混合高斯模型或生成对抗网络估计各焦元的概率密度函数，最后将其归一化生成bba函数，完成证据建模。基于本发明构造的面向图像模式分类的证据建模系统能够有效地提升融合分类性能。综上所述，本发明实施例公开了一种面向图像模式分类的基于含混样本密度估计的证据建模方法，包括以下步骤：步骤1，根据光学、红外和雷达三种图像采集传感器得到多源图像，将同一类别的三种图像进行拼接，利用卷积神经网络(cnn)模型提取图像的深层抽象特征，将图像特征转变为一维向量；步骤2，基于混合焦元包含元素对应类别的全部样本之间的交运算或并运算，构建属于混合焦元的含混样本；步骤3，基于步骤2构造的含混样本，通过混合高斯模型或生成对抗网络估计出混合焦元在各属性上对应
的概率密度函数；并通过单高斯模型或生成对抗网络估计出单点焦元的概率密度函数；步骤4，基于步骤3计算获得的概率密度函数，求出测试样本在每个焦元对应的概率密度值，将测试样本在所有焦元上的概率密度值归一化，从而生成bba函数，完成证据建模；本发明针对现有证据建模方法没有对混合焦元进行直接建模的不足，提出了一种面向图像模式分类的基于含混样本密度估计的证据建模新方法，能够直接生成混合焦元的bba函数，更直观地对混合焦元进行建模，且能够更有效地提升其应用于基于证据组合的图像模式分类时的性能。
[0144]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0145]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0146]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0147]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0148]
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。