多源不完备信息融合图像目标分类方法与流程

【技术领域】

本发明属于图像目标识别技术领域，尤其涉及一种多源不完备信息融合图像目标分类方法。

背景技术：

图像目标识别是通过存储的信息与当前的信息进行比较实现对图像的识别。目前，图像识别技术已广泛应用于多个领域，如生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等。随着技术的发展，出现了基于机器视觉的目标识别、基于深度学习的目标识别等，大大提高了图像识别的准确度和识别效率。

常用的图像目标识别方法是，使用已知的具有若干个相同或不同类别的图像组成的图像集进行训练，并得到训练好的图像分类器，再通过训练好的图像分类器对未分类的图像进行识别分类。

但是，通过已知的图像集训练好的图像分类器中往往难以涵盖待识别图像目标的所有分类类别，这就会导致通过训练好的分类器对未知图像分类时，目标识别先验知识严重匮乏，数据不完备问题十分突出，进而导致分类精度低。

技术实现要素：

本发明的目的是提供一种多源不完备信息融合图像目标分类方法，以解决图像先验知识匮乏时图像分类精度低的问题。

本发明采用以下技术方案：多源不完备信息融合图像目标分类方法，包括以下步骤：

计算待识别图像相对于多个已知图像数据集中的已知图像类别的欧氏距离；

针对每个已知图像数据集，在欧式距离中选择最小欧氏距离值，并选择最小欧氏距离值对应的第一已知图像类别；

计算第一已知图像类别的第一阈值；

当最小欧氏距离值大于第一阈值时，将待识别图像加入到已知图像数据集中得到新的已知图像数据集；

根据新的图像数据集训练图像分类器，并通过新的分类器对待识别图像进行分类，得到第一分类结果；

对于每个已知图像数据集的第一分类结果，采用ds规则进行加权融合，得到待识别图像的类别。

进一步地，计算待识别图像相对于多个已知图像数据集中的已知图像类别的欧氏距离包括：

在每个已知图像类别中选取待识别图像的k个近邻；

分别计算待识别图像与k个近邻的欧氏距离，并对待识别图像与k个近邻的欧氏距离求均值，将均值作为待识别图像与对应已知图像类别的欧氏距离。

进一步地，计算第一已知图像类别的第一阈值包括：

对于第一已知图像类别中的每个已知图像，在第一已知图像类别中选择k个近邻；

计算每个已知图像与k个近邻之间的欧氏距离并求均值，得到每个已知图像的均值欧氏距离；

对第一已知图像类别中每个已知图像的均值欧氏距离求均值，得到第一已知图像类别的欧氏距离；

使用修正因子对第一已知图像类别的欧氏距离进行修正，得到第一已知图像类别的第一阈值。

进一步地，当最小欧氏距离值小于等于第一阈值时，不进行操作。

进一步地，第一阈值具体通过以下公式计算：

其中，表示第一图像类别ωi的第一阈值，μ为可调节参数，ni表示已知图像数据集中第一图像类别ωi中的已知图像的数量，k表示已知图像的近邻数量，表示第一图像类别ωi中的图像属性，ypk表示的近邻的图像属性，p为第一图像类别ωi中的已知图像的序数。

进一步地，采用ds规则进行加权融合时，为每个第一分类结果分配不同的权重，权重通过以下公式得出：

其中，αi为第i个第一分类结果对应的权重，mo表示公共训练样本yo的置信值，z为多个已知图像数据集中的相同已知图像类别中的已知图像的数量，o∈{1,2,...,z}，n为图像分类器的个数，l∈{1,2,...,n}，mo表示相同已知图像类别中已知图像yo的置信值，to为已知图像yo的真实值。

本发明的另一种技术方案：多源不完备信息融合图像目标分类装置，包括：

第一计算模块，用于计算待识别图像相对于多个已知图像数据集中的已知图像类别的欧氏距离；

第一选择模块，用于针对每个已知图像数据集，在欧式距离中选择最小欧氏距离值，并选择最小欧氏距离值对应的第一已知图像类别；

第二计算模块，用于计算第一已知图像类别的第一阈值；

比较模块，用于当最小欧氏距离值大于第一阈值时，将待识别图像加入到已知图像数据集中得到新的已知图像数据集；

训练分类模块，用于根据新的图像数据集训练图像分类器，并通过新的分类器对待识别图像进行分类，得到第一分类结果；

融合模块，用于对于每个已知图像数据集的第一分类结果，采用ds规则进行加权融合，得到待识别图像的类别。

进一步地，计算待识别图像相对于多个已知图像数据集中的已知图像类别的欧氏距离包括：

选取模块，用于在每个已知图像类别中选取待识别图像的k个近邻；

第三计算模块，用于分别计算待识别图像与k个近邻的欧氏距离，并对待识别图像与k个近邻的欧氏距离求均值，将均值作为待识别图像与对应已知图像类别的欧氏距离。

进一步地，计算第一已知图像类别的第一阈值包括：

第二选择模块，用于对于第一已知图像类别中的每个已知图像，在第一已知图像类别中选择k个近邻；

第四计算模块，用于计算每个已知图像与k个近邻之间的欧氏距离并求均值，得到每个已知图像的均值欧氏距离；

第五计算模块，用于对第一已知图像类别中每个已知图像的均值欧氏距离求均值，得到第一已知图像类别的欧氏距离；

修正模块，用于使用修正因子对第一已知图像类别的欧氏距离进行修正，得到第一已知图像类别的第一阈值。

本发明的再一种技术方案：多源不完备信息融合图像目标分类设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现上述的多源不完备信息融合图像目标分类方法。

本发明的有益效果是：本发明通过使用多个已知图像数据集对待识别图像进行处理，将待识别图像与每一个已知图像数据集中的每一个已知图像类别进行比较，通过其与已知图像类别的欧氏距离和对应已知图像类别的阈值进行比较，进而建立新的已知图像数据集，再对待识别图像进行分类，结合多个不同已知图像数据集的分类结果进行加权融合，得到的最终分类结果更加精确，解决了先验知识匮乏时图像分类精度低的问题。

【附图说明】

图1为本申请实施例中方法的流程框图；

图2为本申请实施例中单个不完备框架分类器检测异常图像的流程框图。

【具体实施方式】

下面结合附图和具体实施方式对本发明进行详细说明。

在图像目标识别领域中，多源信息融合识别技术在其中发挥着重大的作用。由于利用单一分类器难以全面检测获取待识别图像的信息，多分类器融合推理能够突破单一分类器的局限，提高图像检测识别的准确性。随着装备发展，尤其是多源传感器性能提升，利用卫星、预警机、无人机和陆基雷达等多平台多传感器(即多个已经图像数据集)能够产生大量多源的情报图像。通过这些情报图像能够挖掘出各种环境中的目标识别特征信息，可用于发现、识别图像中的目标。

多源分类器融合为改善分类器的表现提供了有效的方式。其中关键问题之一是如何获取更多的可用知识，提高分类精度，特别是在知识未知、复杂的模式分类系统中。多源分类器融合的思想是不同的分类器可以提供(或多或少)互补信息，以达到更高的分类精度。在分类器融合技术中，不同分类器的辨识框架是首先要相同并且完备的，完备辨识框架下的两个分类信息可以进行融合决策，以增加它们的上下文信息。

在现代战争中，敌方装备技术参数频繁变化，新武器层出不穷，且欺骗干扰等手段不断发展，导致目标识别先验知识严重匮乏，数据不完备问题十分突出。在先验知识严重匮乏条件下，现行方法难以对已知信息进行有效融合，并且直接融合识别结果的错误风险较大。

针对不完备框架的分类器，缺乏异常图像目标的先验知识来实现多源证据信息融合从而提高识别精度。目前，许多分类器融合识别方法都是针对统一和完备辨识框架下的融合，例如，待识别图像中目标所在的数据集中的所有类别必须包含在已知图像数据集的辨识框架之中。因此可以直接利用d-s规则等多分类器融合算法进行分类。

而现实中，由于一些未知的待识别图像会出现在待分类的图像集中，并且在训练的已知图像数据集中没有先验知识，因此，难以实现不完备框架分类器的多源信息融合识别。

本发明公开了一种多源不完备信息融合目标识别方法，属于证据推理和模式识别技术领域，由于待识别图像的类别没有存在于已知图像数据集的辨识框架(即已知图像类别)中，因此不能直接采用监督方式对待识别图像进行分类决策，本发明将挑选出的显著的异常待识别图像补充到初始的已知图像数据集使得辨识框架(即已知图像类别)得以完整，再利用更新后的图像数据集学习一个新的分类器，利用该新的分类器对待识别图像进行决策。

另外，与异常待识别图像相关的特殊类别可以很好的表征在分类过程中被忽略的信息，并且在一个分类器中被视为异常待识别图像可能在另一个分类器中被划分到一个具体的已知图像类别。因此，采取加权融合的方法具体识别异常待识别图像。

本发明该方法主要由两部分组成：

第一部分，如图2所示，为异常待识别图像的逐步检测。一些显著异常待识别图像被挑选并且作为一个特殊图像类别被添加到已知图像数据集中，然后用更新过的已知图像数据集学习一个新的分类器处理异常待识别图像。

第二部分为采取基于信任的分类器加权融合识别异常待识别图像。在多属性融合问题中，一个分类器的框架可能是不完备的，并且一些图像目标的类别也没有包含在相关的特征空间。与此同时，这些待识别图像对不同特征空间的分类器是可用的。因此，引入了一种加权证据组合方法来融合不同分类器的分类结果，并通过优化误差准则来计算各个分类器的最优权重。这种组合策略可以很好地识别单个分类器可能视为异常待识别图像的特定对象类别，并且由于分类器之间的互补知识，还可以提高分类精度。

本发明中首先提取多平台多传感器(即多个已知图像数据集)产生的情报图像中包含的特征，通过训练特征知识挑选出显著的异常待识别图像补充到已知图像数据集的不完备辨识框架之中，再对待识别图像进行决策分类，利用融合方法进而得出最终精确分类结果。

本发明实施例提供的多源不完备信息融合图像目标分类方法可以应用于各种智能设备中，例如，可以是手机、平板电脑、车载设备、笔记本电脑、超级移动个人计算机(ultra-mobilepersonalcomputer，umpc)、上网本等终端设备上，本发明实施例对终端设备的具体类型不作任何限制。

图1为了本发明多源不完备信息融合图像目标分类方法的流程示意图，包括以下步骤：

计算待识别图像相对于多个已知图像数据集中的已知图像类别的欧氏距离；针对每个已知图像数据集，在欧式距离中选择最小欧氏距离值，并选择最小欧氏距离值对应的第一已知图像类别；计算第一已知图像类别的第一阈值；当最小欧氏距离值大于第一阈值时，将待识别图像加入到已知图像数据集中得到新的已知图像数据集；根据新的图像数据集训练图像分类器，并通过新的分类器对待识别图像进行分类，得到第一分类结果；对于每个已知图像数据集的第一分类结果，采用ds规则进行加权融合，得到待识别图像的类别。

在本发明中已知图像数据集指的就是通过现有的技术采集到的此案有的图像集合，该集合中含有大量的图像，并且每个图像均已进行了标识，即进行了分类。已知图像类别指的是在图像集合中的图像被分为不同的类别，如客轮图像类、邮轮图像类及渔船图像类等。待识别图像指的是，还没有进行分类的图像，该图像可能是已知图像类中的类别，也可能是位置图像类中的类别。

本发明实施例通过使用多个已知图像数据集对待识别图像进行处理，将待识别图像与每一个已知图像数据集中的每一个已知图像类别进行比较，通过其与已知图像类别的欧氏距离和对应已知图像类别的阈值进行比较，进而建立新的已知图像数据集，再对待识别图像进行分类，结合多个不同已知图像数据集的分类结果进行加权融合，得到的最终分类结果更加精确，解决了先验知识匮乏时图像分类精度低的问题。

在本实施例中，待识别图像将按照n个不完备分类器(即c1,c2,...,cn)的正确融合结果进行划分。通过在n个不同的已知图像数据集中(即s1,s2,...,sn)的一组有标签的图像(即y＝{y1,y2,...,yn})分别学习不同的分类器。

在传统的图像目标检测识别问题中，被融合的分类器具有一个相同的辨识框架(即已知图像类别)，这意味着待分类图像的类别必须包含在已知图像数据集的已知图像类别中。因此，它要求待识别图像的每个类别必须存在足够的先验标记图像才能获得分类器。

这样的已知图像类别可以被视为封闭集合。大多数图像目标分类方法着重于解决封闭集合问题，在这些问题中，分类器使用相同且完整的已知图像类别。但是，在许多情况下，某些异常图像的类别并不属于已知图像数据集中包含的类别，并且需要在测试期间进行正确检测。由于已知图像数据集中的信息不足，传统的分类方法显然无法解决该问题。如果我们可以获得异常图像的一些信息并将其添加到已知图像数据集中，则可以使用一些基本分类器成功检测到异常图像。

本实施例中采集光学和雷达两个传感器的情报图像来进行图像目标识别。对于光学传感器来说，它的已知图像数据集的已知图像类别即为客船和邮轮，即辨识框架ω1＝{客船，邮轮}，然而雷达传感器的已知图像数据集的已知图像类别为客船和渔船，即辨识框架ω2＝{客船，渔船}。

在本实施例中，包含有客船、渔船、邮轮的图像可能会同时出现。例如，对一组图像进行目标识别时，即将该组图像中的每个图像需要被分到客船类、渔船类或邮轮类中。

此时，辨识框架ω1和ω2都是不完备的。对于光学传感器，渔船会被划分到异常图像中，而对于雷达传感器，邮轮会被划分到异常图像中。但是，这两个不同的辨识框架提供的信息是不同的但是互补的。渔船(邮轮)被光学(雷达)传感器视为异常图像但却被雷达(光学)传感器精确识别。因此，这些资源的合理融合可以显著的改善分类准确率。

考虑一组带有异常图像的待识别图像集x＝{x1,...,xh}将由单个分类器分类。单个分类器的初始已知图像数据集为y＝{y1,y2,...,ym}。它的不完备辨识框架为ω1＝{ω1,...,ωs}。对于单个分类器，异常图像的类别被定义为ωa。单分类器检测异常图像的方法如图2所示。

计算待识别图像相对于多个已知图像数据集中的已知图像类别的欧氏距离包括：在每个已知图像类别中选取待识别图像的k个近邻；分别计算待识别图像与k个近邻的欧氏距离，并对待识别图像与k个近邻的欧氏距离求均值，将均值作为待识别图像与对应已知图像类别的欧氏距离。

本实施例中，待识别图像xt(t＝1,...,h)的k个近邻依赖于已知图像数据集中不同的已知图像类别的局部信息去寻找，将xt到类别ωi的k个近邻之间的平均欧式距离作为xt到类别ωi的距离根据每个类别的给定阈值，检测到一些显著的异常待识别图像。通过比较s个欧式距离的大小，获得的最小距离值可以表示为

然后，选择最小欧氏距离值对应的第一已知图像类别，计算第一已知图像类别的第一阈值。

在计算第一阈值时，在已知图像数据集中，已知图像yj,j＝1,...,m的k个近邻应该被寻找，这主要依赖于不同已知图像类别的已知图像的局部信息。很容易知道同一已知图像类别的已知图像之间的欧式距离小于不同已知图像类别的已知图像之间的欧式距离。

因此，异常图像很可能会远离已知图像数据集中的已知图像。yi到其k个近邻之间欧式距离的计算在此步骤中至关重要。

在本实施例中，具体过程为：对于第一已知图像类别中的每个已知图像，在第一已知图像类别中选择k个近邻；计算每个已知图像与k个近邻之间的欧氏距离并求均值，得到每个已知图像的均值欧氏距离；对第一已知图像类别中每个已知图像的均值欧氏距离求均值，得到第一已知图像类别的欧氏距离；使用修正因子对第一已知图像类别的欧氏距离进行修正，得到第一已知图像类别的第一阈值。

首先，计算出类别ωi(i＝1,...,s)中每个已知图像和它的k个近邻之间的平均欧式距离。然后可以使用类别ωi中所有已知图像的平均欧式距离，再求平均值来确定阈值第一已知图像类别的欧氏距离具体通过以下公式计算：

其中，表示第一图像类别ωi的欧氏距离，μ为可调节参数，在本实施例中μ的取值为1.15，ni表示已知图像数据集中第一图像类别ωi中的已知图像的数量，k表示已知图像的近邻数量，表示第一图像类别ωi中的图像属性，||·||表示的欧氏距离，ypk表示的近邻的图像属性，p为第一图像类别ωi中的已知图像的序数。

在本发明实施例中，当最小欧氏距离值大于第一阈值时，将待识别图像加入到已知图像数据集中得到新的已知图像数据集。即图像xt通过下式进行类别决策：

xt∈ωa，当

在上式中，通过对比和的大小来决定图像xt是否为显著的异常图像。如果图像xt将会被认为是属于异常类别并且被添加到已知图像数据集中。如果因为没有对类别ωξ强有力的支持，则认为xt不能合理地分配给ωξ，则不对图像xt进行任何操作。

一些异常类别的图像能够被挑选和被添加到已知图像数据集。一旦已知图像数据集被更新，已知图像数据集中的图像类别就得以完备，就可以使用更新后的已知图像数据集学习一个新的分类器，进而绘制分类结果，以监督方式处理测试数据。

本实施例中，假设一个分类器的已知图像数据集的不完备已知图像类别为ψ＝{ω1,ω2}。当一些显著的异常图像被挑选并且被作为一个特殊类别添加到已知图像数据集中后，已知图像类别将会变得完备，即表示异常图像的类别。然后将待识别图像重新分类，p(ω1)，p(ω2)和的值将会作为结果值被得到。

对于其他已知图像类别不完备的已知图像数据集，类似于上述例子的结果也可以被获得。事实上，异常的待识别图像中可能包含一些类别。然而通过单个不完备框架分类器不可能识别包含在异常待识别图像中的具体类别。在单个不完备框架分类器在中，不加区别的将所有异常图像划分到一个特殊类别中。这个特殊类别在分类过程可以很好的表征部分被忽略的信息。证据理论通过多资源信息融合为处理不确定问题提供了一种有效的工具。在一个分类器中被视为异常类别的目标可能在另外一个分类器中被划分为一个具体类别。因此，使用融合方法去识别异常待识别图像中的具体类别。

每个已知图像数据集在对应不完备框架分类器中的分类结果为μ1,...,μn。利用证据理论，将每个已知图像数据集的多个分类结果进行融合得到其在整个辨识框架中的融合分类结果。为融合公式，其中，μkn为第k个待识别图像在第n个不完备框架分类器中的第一分类结果，λ表示讲多个得到的第一分类结果进行融合后得到的结果，即待识别图像的分类后的类别。

由于不同分类器的特征空间是不一样的，分类器的知识存在互补性。每个分类器输出的分类结果是置信值，就是待识别图像属于每一个已知图像类别的概率值，该概率值可以看做是一组证据。

在本实施例中，假设一个待识别图像通过融合两个不完备框架分类器进行决策，即具有两个已知图像数据集。这两个分类器分别由不同特征空间的已知图像数据集进行训练。

第一个分类器的不完备框架是第二个分类器的不完备框架是从第一个分类器得到的一组证据为m1(ω1)＝0.6，m1(ω2)＝0.3，从第二个分类器可以得到另外一组证据为m2(ω1)＝0.5，m2(ω3)＝0.2，类别ω1在两个分类器中属于公共已知图像类别。通过融合这两个证据，可以得到m(ω1)＝0.681,m(ω2)＝0.205,m(ω3)＝0.045,m(ω4)＝0.069。

上式中，m(ωv)表示目标属于类别ωv的支持度，v＝1,2,3,4。在该结果中，异常图像的置信值可以被获得。根据m(ωv)的值，目标将被划分为类别ω1。

在上述实施例中，类别ω1和ω2的置信值可以被单个分类器直接获得，但是异常类别的置信值却被视为一个整体。第二个分类器也无法识别出包含在异常类别中的两个类别。然而，通过融合这两个分类器的结果可以识别出异常图像中包含的类别。

需要进行融合的不完备框架分类器被不同的已知图像数据集训练和它们可能对分类具有自己的特征，因此，分类器对分类结果的可靠性是不同的。当证据之间的冲突较大时，ds规则可能会产生不合理的结果。因此，在融合第一分类结果之前要对证据进行折扣。具有高可靠性的分类器可以为已知图像数据集的分类提供更有用的信息比具有低可靠性的分类器。可靠性高的分类器应该具有较大的权重，可靠性低的分类器应该具有较小的权重。

在传统的方法中，分类器的权重常常是由它在已知图像数据集上的表现(正确率)决定，即正确率越高，权重越大。一般来说，高正确率的分类器应该在融合过程中扮演重要的角色。然而，如果可以充分利用互补信息，不同的弱分类器可能会产生好的结果。

在本实施例中，采用ds规则进行加权融合时，为每个第一分类结果分配不同的权重，权重的生成方法是：

计算每个多个已知图像数据集中的公共已知图像类别中的已知图像的分类结果与其真实分类结果之间的欧氏距离并求和，再利用fmincon优化方法最小化求和结果可得到权重，即通过上述最小化求和结果，可以得出不完备框架分类器中的加权系数αi。其中，αi为第i个第一分类结果对应的权重，mo表示公共训练样本yo的置信值，z为多个已知图像数据集中的相同已知图像类别中的已知图像的数量，o∈{1,2,...,z}，n为不完备框架分类器的个数，即图像分类器的个数，l∈{1,2,...,n}，mo表示相同已知图像类别中已知图像yo的置信值，to为已知图像yo的真实值。

如果待识别图像y的真实分类结果类别为et(tk为一个向量，比如一个图像可能的类别是：a、b、c，真实标签是b，那么tk＝[0,1,0]，其中et就是b)，且期望的分类器输出应该是tk＝[tk(1),…,tk(ρ)]^t，这里tk(t)＝1且对于i≠t的tk(i)＝0，||·||²表示平方欧式距离(dj)。通过证据理论的利用，可以很好的表示未知和模糊关系的优势。

希望误差的总和尽可能接近零，证据加权系数αi的估计通过最小化融合结果与真实类别之间的距离。在优化过程中，必须考虑如下所表达的完整性约束。

通过得到的加权系数将图像在不同的不完备框架中的第一分类结果折扣并进行融合，得出目标样本的最终分类结果。

本实施例采用多源不完备信息融合图像目标识别方法实现对异常图像的检测识别。对于单个不完备框架分类器，由于异常图像很难去检测，因此逐步检测方法被提出。首先一些显著的异常图像被挑选和作为一个特殊类别被添加到初始训练数据集中，然后利用更新后的已知图像数据集学习一个新的分类器去对测试数据集进行分类。事实上，与异常图像相关的特殊类别在分类过程中往往能够包含一些被忽略的信息，因此，提出一个加权融合方法去识别异常图像中的类别，通过这项工作，能够解决异常图像难以检测识别的问题。

仿真验证实施例：

如表1所示，是本实施例验证过程中所使用的仿真已知图像数据集的基本信息表，通过13组仿真图像来实验证明本发明实施例的有效性和准确性。选择50％的图像通过属性组的划分分别对分类器进行训练，另外的50％图像通过属性组的划分来模拟多分类器的输出。

表1验证过程中所使用的已知图像集的基本信息

为了保证两证据之间的独立性，采用不同的已知图像数据集来训练分类器，保证属性空间的独立。已知图像数据集的属性空间划分成不同的子集的个数应该等于需要融合的分类器的个数。实验中，分别对两个、三个、四个和五个不完备框架分类器融合的情形进行了验证。该实施例中选择决策树、随机森林和svm为基础分类器。通过优化计算得到各个分类器的权重，进行ds融合，通过概率最大原则得到最终的融合结果。

通过将本实施例中的异常图像逐步检测方法与硬阈值方法进行比较，验证本实施例的鲁棒性与精确性。由于传统方法没有识别异常图像中的具体类别，因此没有设置相关的对比方法。比较结果见表2-5，表中数据可以看出本实施例的方法基于不同的基础分类器，能得到比对比实验更好的分类精度，有效的提高了已知图像类别的准确率，并且能够检测识别出异常图像的图像类别。

在硬阈值方法中，已知图像数据集中每个已知类别的阈值设计方法和发明中阈值设计方法是一样的。当最小欧氏距离值大于第一阈值时，将待识别图像直接识别为异常图像。当最小欧氏距离值小于等于第一阈值时，将待识别图像加入第一阈值对应的图像类别。

在实验结果中最终识别结果的准确率有时会低于单个分类器的准确率，这是由于当融合前两组证据的准确率相差较大时，因为ds融合规则起到一个中和的作用，或者是因为优化算法计算出的加权系数是局部最小值，导致融合结果较差。

表2两个独立的不完备框架分类器的融合分类结果

表3三个独立的不完备框架分类器的融合分类结果

表4四个独立的不完备框架分类器的融合分类结果

表5五个独立的不完备框架分类器的融合分类结果

对应于上文实施例的多源不完备信息融合图像目标分类方法，本发明另一种实施例提供的多源不完备信息融合图像目标分类装置，该装置具体包括：

第一计算模块，用于计算待识别图像相对于多个已知图像数据集中的已知图像类别的欧氏距离；第一选择模块，用于针对每个已知图像数据集，在欧式距离中选择最小欧氏距离值，并选择最小欧氏距离值对应的第一已知图像类别；第二计算模块，用于计算第一已知图像类别的第一阈值；比较模块，用于当最小欧氏距离值大于第一阈值时，将待识别图像加入到已知图像数据集中得到新的已知图像数据集；训练分类模块，用于根据新的图像数据集训练图像分类器，并通过新的分类器对待识别图像进行分类，得到第一分类结果；融合模块，用于对于每个已知图像数据集的第一分类结果，采用ds规则进行加权融合，得到待识别图像的类别。

在该装置中，通过其分配模块，可以使得对待识别图像进行如上述方法实施例的处理过程，进而提升对待识别图像的分类精度。

在该实施例中，具体的：计算待识别图像相对于多个已知图像数据集中的已知图像类别的欧氏距离包括：

选取模块，用于在每个已知图像类别中选取待识别图像的k个近邻；第三计算模块，用于分别计算待识别图像与k个近邻的欧氏距离，并对待识别图像与k个近邻的欧氏距离求均值，将均值作为待识别图像与对应已知图像类别的欧氏距离。

计算第一已知图像类别的第一阈值包括：

第二选择模块，用于对于第一已知图像类别中的每个已知图像，在第一已知图像类别中选择k个近邻；第四计算模块，用于计算每个已知图像与k个近邻之间的欧氏距离并求均值，得到每个已知图像的均值欧氏距离；第五计算模块，用于对第一已知图像类别中每个已知图像的均值欧氏距离求均值，得到第一已知图像类别的欧氏距离；修正模块，用于使用修正因子对第一已知图像类别的欧氏距离进行修正，得到第一已知图像类别的第一阈值。

本发明再一实施例，还提供了多源不完备信息融合图像目标分类设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法实施例中的多源不完备信息融合图像目标分类方法。

该多源不完备信息融合图像目标分类设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该设备可包括，但不仅限于，处理器、存储器。还可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器在一些实施例中可以是该设备的内部存储单元，例如硬盘或内存。存储器在另一些实施例中也可以是设备的外部存储设备，例如设备上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，存储器还可以既包括设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，模块可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。