Page 162 - 当代控制理论及应用技术概论

当代控制理论及应用技术概论
Introduction to Contemporary Control Theory and Applied Technology

知道目标对应特征出现的概率及检测到该型特征时，目标出现的概率。这些数据
的获得需要进行大量的统计与分析。贝叶斯分类虽然理论完备，但在实际工作中
操作难度大，因为需要大量的积累。
D-S 证据理论使用证据，可信度及概率集等参数进行分析。通过计算目标的
概率集值，可以得到该目标与可能目标的相似度，从而推定该目标是某一个目标。

由于检测的目标很可能不是事先假定的目标，D-S 证据理论在目标分类上并不是
最佳的，只能算做是一个临时措施，或针对某一特定目标识别。
决策树分类是一个定性的方法，该方法根据一个事先确定的体系进行分类，

如对目标的分类通常定义为“小目标”、“大目标”，“快目标”、“慢目标”，
“空中目标”、“海面目标”等。准则分类的处理方法与决策树分类相似，但结
论更加明确。这两种分类技术的精度低，没有完备的理论支持，但对计算资源的
需求很小，因而得到很广泛使用。
神经网络分类则是通过采用 BP 网络、Hopfield 网络等技术，利用人工训练

的办法，实现目标的识别，该技术的理论分析充分，实现难度相对较小，但识
别的性能在实践中未得到充分的验证。该技术的难点在于训练参数和网络的结
构设计。

（四）目标识别技术算法
1. 基于全局特征的目标识别
基于全局特征的目标识别方法主要通过提取目标的各种全局特征，然后进
行特征匹配实现目标识别。这种方法需要预先提取目标的全局特征，因此提取的
特征效果对目标识别有一定的影响。目前，常用于目标识别的全局特征包括颜色

特征、形状特征、纹理特征。颜色特征是自然界最常见的特征之一，可以通过辨
别目标的颜色来实现目标的识别。在目标颜色存在明显区别的时候效果很好，但
是，如果目标的颜色大致相同，差别不明显，这种识别方法效果往往很差。形状

特征是指目标自身具备的几何形状，通过辨别目标的形状差别可以实现目标的识
别。这种识别方法不需要考虑目标的颜色差别，识别效果比颜色特征好，但是如
果目标的形状趋于一致时也会失效。纹理特征也是自然界的常见特征，一些物质
具有丰富的纹理，比如花岗岩、树叶、布料等。但是，并不是各种目标都具有纹
理，若目标没有纹理便不能使用这种方法识别了。此外，特征提取的效果还会受

到天气、光照情况变化的影响。当目标发生遮挡或形变时，提取效果并不理想。

154
154