臧 飞，杨沁梅

(中国电子科技集团公司第二十八研究所，南京 210007)

1 概述

基于特征融合的目标识别算法是从不同目标中抽取反映目标本质属性的特征信息，并将不同的目标特征信息依据某种准则或应用背景进行合理组合，以便对不同目标类型进行识别估计。在传统的识别应用领域，基于特征融合的目标识别算法可以有效抽取不同类型数据的几何本质特征［1］，从而对不同图像进行正确识别;在现代军事应用中，基于特征融合的目标识别算法是威胁估计和态势分析的前提，可用以获得准确可靠的目标类型估计［2］。

在融合目标识别算法中，基于图的学习方法在近几年得到长足发展，尤其以KNN 最近邻方法为代表。KNN 的优势在于可较容易地计算出两点间的欧几里得距离，如在局部保持投影算法［3-4］中，采用高斯核度量样本间的相似性;在局部线性嵌入［5-6］算法中，以最小化局部线性重构误差为代价。KNN 的不足之处在于实际应用中邻域参数难以确定以及受噪声的影响较大，且这种学习方式中图的结构与图中边的权数未建立必然的联系。

近年来，基于稀疏表示的分类算法与融合算法在各领域得到快速的发展。作为一种新型的监督分类方法，稀疏表示分类(Sparse Representation-based Classification，SRC)［7］能有效处理图像中的遮挡等问题;基于稀疏表征的单样本识别方法［8］通过Shift 或主成份分析(Principal Component Analysis，PCA)重构方法产生冗余样本，在将生成的新样本作为测试样本的基础上利用SRC 进行目标识别;基……