资料内容仅供您学习参考，如有不当或者侵权，请联系改正或者删除。基于图像融合的目标识别研究王立琦雷洁(西安交通大学电子信息工程学院综合自动化研究所,陕西西安710049)【摘要】:红外与可见光传感器是目标识别系统中常见的两种传感器,将两种传感器图像进行融合能为我们提供更多的有效信息,从而提高目标识别正确率。本文在总结了传统的图像融合方法的基础上,改进了基于区域能量的小波图像融合规则,并设计了一种由支持向量机构建的分类器,对两类目标进行识别。实验表明,本文方法能够有效的提高识别正确率与识别速度。【关键词】:目标识别;小波变换;图像融合;支持向量机;引言在高科技信息爆炸时代,各种监控设备功能不断增强,检测到的信息复杂多变,各种隐身、干扰和欺骗等反对抗技术应用广泛,仅依靠单一传感器难以保证目标识别系统高性能稳定工作,这就使得多传感器数据融合作为一种特殊的数据处理方法在目标识别领域越来越得到人们的重视。红外成像传感器在夜间能够很好的工作,由其拍摄的红外图像能够直观地得到探测目标与背景间的热辐射差异,但只有目标的大致轮廓,细节信息很少;普通摄像机对场景的亮度变化较为敏感,由其拍摄的可见光图像清晰且细节信息较为丰富。红外与可见光图像的融合能够综合红外图像的目标指示特性和可见光图像的场景信息,提供更多、更有效的信息[1]。小波变换是一种非冗余的多尺度,多分辨率分解图像经过小波变换之后数据的总量不会增大,同时小波变换具有方向性,利用这一特性能够获得视觉效果更佳的融合图像。在融合过程中,对图像的高频成分和低频成分加以区分,采用不同的融合算子和融合规则,可提高融合图像清晰度。当前已有的文献中提到的融合规则[2]可大致分为两类:一类是基于单个像素点的融合规则,如加权平均法、像素值取极值法等;另一类是基于区域的融合规则,如区域标准差,区域极值,区域能量法。由于区域能量较大的中心像素代表了原始图像中的明显特征,而且图像的局部特征一般不是只取决于某一像素,因此基于区域能量的融合规则显得更合理、更科学。但当两幅图像对应像素的区域能量相差比较大时,区域能量选大法可充分保留显著图像信号的细节特征。而当区域能量比较接近,其匹配程度比较大,这种方式容易导致选择错误,使融合图像不稳定,产生失真。鉴于此,本文提出了一种改进算法,即引入一个阈值,当两幅图像对应像素的区域能量差大于阈值时,采用区域能量选大法;当区域能量差小于阈值是,采用平均法。这样既能够清晰的保留显著图像信号的细节特征,又避免了失真,减少了噪声。支持向量机(SVM)[3-4]是一种基于统计理论的学习方法,由于其采用结构风险最小化原则,在固定经验风险的条件下,最小化分类函数的VC维,因此比传统的以经验风险最小化为原则的神经网络具有更好的泛化能力,在小样本学习中表现出良好的性能。对于多类模式识别问题,利用改进后的”一对一”策略的支持向量机构建分类器,能够大大减小训练量,提高识别速度。本文将同一批配准后的红外图像与可见光图像进行小波变换后分别选择未改进的融合规则和改进后的融合规则进行融合,经过图像分割,特征提取,最后利用改进后的支持向量机构造的分类器进行分类。试验证明,采用本文方法得到的识别正确率与速度明显高于单纯使用红外图像或可见光图像或普通融合图像所得到的识别正确率与速度,有效提高了识别系统的正确性与实时性。图像融合的意义本文研究的为智能自主探测车辆系统中的识别子系统,主要工作是针对某个已检测到的目标,采用多种的传感器对目标进行信息采集,经过融合多源异构信息达到对目标的识别,并将识别结果传送给实验平台,便于后续研究。正常白天,可见光图像能够清晰的反映目标及周围环境的细节信息,可是强光下产生的影子难以与目标分离,而在夜间、阴雨天等光线不足的时候,可见光图像的成像质量较差,图像不清晰,难以分辨目标与背景;红外热成像仪拍摄的红外图像能准确区分目标与影子,而且不受光线强弱的影响,随时都能够分辨出目标与背景,可是红外图像的细节信息不明显,对比度较低。数据库建立时,我们是选取图像清晰,成像条件较好的图像作为模板图像,以保证识别效果的公正、准确。这样,单纯使用可见光图像或者单独使用红外图像在一定情况下会造成误判或者无法判断,进而影响最终的识别正确率。而使用融合图像则能够进行信息互补,延长识别系统的可用时间范围;拓宽识别系统的工作领域。不同条件下的CCD图像与红外图像如图1,图2所示。图1正常光线下的CCD图像与强光照射下的CCD图像图2光线不足时的CCD图像与红外图像为了更好的满足系统要求,本文选择像素级图像融合方式。小波变换在图像融合中的应用基于小波变换的图像融合的基本原理就是对待融合图像进行多层次小波分解,得到图像的低频近似信息和图像的高频细节信息,然后分别对不同层次的低频分量和