一種目標識別方法及設備與流程

本發明涉及目標識別
技術領域：
，尤其涉及一種目標識別方法及設備。
背景技術：
：在實際應用中，目標對象上可以設置多個傳感器，不同的傳感器采集的數據可以用于表征目標對象的不同屬性。對于有多個目標對象的情況，傳感器的數量以及傳感器所采集的數據所表征的屬性等就會更多，在獲得一個傳感器所采集的數據后，一般需要確定該傳感器是屬于哪個目標對象的，即識別該傳感器所采集的數據表征的是哪個對象的屬性，對于此，目前尚無較好的識別方式。技術實現要素：本發明實施例提供一種目標識別方法及設備，用于提供一種識別數據所對應的對象的方式。第一方面，提供一種目標識別方法，所述方法包括：將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度；其中每個相似度用于指示所述第一特征參數與存儲的一個特征參數之間的相似程度；若所述多個相似度中最大的相似度小于預設的第一閾值，根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率；確定所述至少一個實際概率中最大的實際概率所對應的目標對象為所述第一特征參數所屬的對象。可選的，在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，還包括：若所述多個相似度中最大的相似度大于等于所述第一閾值，且所述存儲的多個特征參數中每個特征參數的置信度都為1，確定所述存儲的多個特征參數中支持度最大的特征參數所對應的目標對象為所述第一特征參數所屬的對象。可選的，在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，還包括：若所述多個相似度中最大的相似度大于等于所述第一閾值，且所述存儲的多個特征參數中每個特征參數的置信度都小于1，確定所述存儲的多個特征參數中置信度最大的特征參數所對應的目標對象為所述第一特征參數所屬的對象。可選的，在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，還包括：若所述多個相似度中最大的相似度大于等于所述第一閾值，且所述存儲的多個特征參數中的第二特征參數的置信度為1，確定所述第二特征參數所對應的目標對象為所述第一特征參數所屬的對象；其中，所述存儲的多個特征參數中除所述第二特征參數之外其他的每個特征參數的置信度均小于1。可選的，在根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率之前，還包括：建立貝葉斯網絡模型；其中，所述貝葉斯網絡模型的父節點代表所述至少一個目標對象的屬性，所述貝葉斯網絡模型的子節點代表待識別的特征參數；根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率，包括：根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，通過所述貝葉斯網絡模型確定所述第一特征參數屬于所述至少一個目標對象的所述至少一個實際概率。可選的，在建立貝葉斯網絡模型之后，還包括：根據所述貝葉斯網絡模型獲取所述第一特征參數在預設的持續時長的轉移概率；所述轉移概率用于指示所述第一特征參數所屬的對象發生改變的概率；根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率，包括：根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率、所述至少一個目標對象的先驗概率及所述轉移概率，通過所述貝葉斯網絡模型確定所述第一特征參數屬于所述至少一個目標對象的所述至少一個實際概率。可選的，在確定所述至少一個實際概率中最大的實際概率所對應的目標對象為所述第一特征參數所屬的對象之后，還包括：將待識別的第三特征參數的第一信息是否與所述第一特征參數的第一信息一致；所述第一信息用于指示特征參數所對應的屬性；若所述第三特征參數的第一信息與所述第一特征參數的第一信息一致，則確定所述第一特征參數所屬的對象為所述第三特征參數所屬的對象。可選的，在確定所述第一特征參數所屬的對象為所述第三特征參數所屬的對象之前，還包括：確定所述第一特征參數所屬的對象為第一對象的置信度是否為1；確定所述第一特征參數所屬的對象為所述第三特征參數所屬的對象，包括：若所述第一特征參數所屬的對象為所述第一對象的置信度為1，則確定所述第一對象為所述第三特征參數所屬的對象。第二方面，提供一種目標識別設備，包括：存儲器，用于存儲指令；處理器，用于調用所述存儲器存儲的指令，將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度；若所述多個相似度中最大的相似度小于預設的第一閾值，根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率；確定所述至少一個實際概率中最大的實際概率所對應的目標對象為所述第一特征參數所屬的對象；其中，每個相似度用于指示所述第一特征參數與存儲的一個特征參數之間的相似程度。可選的，所述處理器還用于：在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，若所述多個相似度中最大的相似度大于等于所述第一閾值，且所述存儲的多個特征參數中每個特征參數的置信度都為1，確定所述存儲的多個特征參數中支持度最大的特征參數所對應的目標對象為所述第一特征參數所屬的對象。可選的，所述處理器還用于：在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，若所述多個相似度中最大的相似度大于等于所述第一閾值，且所述存儲的多個特征參數中每個特征參數的置信度都小于1，確定所述存儲的多個特征參數中置信度最大的特征參數所對應的目標對象為所述第一特征參數所屬的對象。可選的，所述處理器還用于：在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，若所述多個相似度中最大的相似度大于等于所述第一閾值，且所述存儲的多個特征參數中的第二特征參數的置信度為1，確定所述第二特征參數所對應的目標對象為所述第一特征參數所屬的對象；其中，所述存儲的多個特征參數中除所述第二特征參數之外其他的每個特征參數的置信度均小于1。可選的，所述處理器還用于：在根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率之前，建立貝葉斯網絡模型；其中，所述貝葉斯網絡模型的父節點代表所述至少一個目標對象的屬性，所述貝葉斯網絡模型的子節點代表待識別的特征參數；所述處理器用于根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率，包括：根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，通過所述貝葉斯網絡模型確定所述第一特征參數屬于所述至少一個目標對象的所述至少一個實際概率。可選的，所述處理器還用于：在建立貝葉斯網絡模型之后，根據所述貝葉斯網絡模型獲取所述第一特征參數在預設的持續時長的轉移概率；所述轉移概率用于指示所述第一特征參數所屬的對象發生改變的概率；所述處理器用于根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率，包括：根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率、所述至少一個目標對象的先驗概率及所述轉移概率，通過所述貝葉斯網絡模型確定所述第一特征參數屬于所述至少一個目標對象的所述至少一個實際概率。可選的，所述處理器還用于：在確定所述至少一個實際概率中最大的實際概率所對應的目標對象為所述第一特征參數所屬的對象之后，判斷待識別的第三特征參數的第一信息是否與所述第一特征參數的第一信息一致；所述第一信息用于指示特征參數所對應的屬性；若所述第三特征參數的第一信息與所述第一特征參數的第一信息一致，則確定所述第一特征參數所屬的對象為所述第三特征參數所屬的對象。可選的，所述處理器還用于：在確定所述第一特征參數所屬的對象為所述第三特征參數所屬的對象之前，確定所述第一特征參數所屬的對象為第一對象的置信度是否為1；所述處理器用于確定所述第一特征參數所屬的對象為所述第三特征參數所屬的對象，包括：若所述第一特征參數所屬的對象為所述第一對象的置信度為1，則確定所述第一對象為所述第三特征參數所屬的對象。第三方面，提供另一種目標識別設備，包括：比較模塊，用于將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度；其中每個相似度用于指示所述第一特征參數與存儲的一個特征參數之間的相似程度；第一確定模塊，用于若所述多個相似度中最大的相似度小于預設的第一閾值，根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率；第二確定模塊，用于確定所述至少一個實際概率中最大的實際概率所對應的目標對象為所述第一特征參數所屬的對象。本發明實施例提供的目標識別方法，將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度，根據多個相似度可以判斷多個特征參數對應的目標屬性，識別出多個特征參數屬于哪個目標對象。如果最大的相似度小于預設的第一閾值，那么有可能沒識別出來或識別不準確，可以繼續進一步進行識別，提高了識別精度。附圖說明為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。圖1為本發明實施例中目標識別方法的流程圖；圖2為本發明實施例中貝葉斯網絡模型的一種示意圖；圖3為本發明實施例中目標識別設備的一種結構示意圖；圖4為本發明實施例中目標識別設備的一種結構示意圖。具體實施方式為使本發明的目的、技術方案和優點更加清楚明白，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。在不沖突的情況下，本發明中的實施例及實施例中的特征可以相互任意組合。并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執行所示出或描述的步驟。另外，本文中術語“和/或”，僅僅是一種描述關聯對象的關聯關系，表示可以存在三種關系，例如，A和/或B，可以表示：單獨存在A，同時存在A和B，單獨存在B這三種情況。另外，本文中字符“/”，在不做特別說明的情況下，一般表示前后關聯對象是一種“或”的關系。為了更好地理解上述技術方案，下面將結合說明書附圖以及具體的實施方式對上述技術方案進行詳細的說明。請參見圖1，提供一種目標識別方法，該方法的流程描述如下。步驟101：將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度；其中每個相似度用于指示第一特征參數與存儲的一個特征參數之間的相似程度；步驟102：若多個相似度中最大的相似度小于預設的第一閾值，根據第一特征參數屬于至少一個目標對象的至少一個條件概率及至少一個目標對象的先驗概率，確定第一特征參數屬于至少一個目標對象的至少一個實際概率；步驟103：確定至少一個實際概率中最大的實際概率所對應的目標對象為第一特征參數所屬的對象。特征參數可以用于表征目標的屬性，例如同樣是質量這個屬性，不同的目標的質量不同，從而不同的目標用于表示質量的特征參數就不同。可以在目標對象上設置多個傳感器，不同的傳感器可以采集目標對象的不同參數，從而可以獲得目標對象的不同的特征參數。特征參數可以包括目標機弦號參數、載體平臺編號參數、載體平臺經度參數、載體平臺緯度參數、目標方位參數、目標俯仰參數、目標經度參數、目標緯度參數、目標高度參數、目標速度參數、目標航向參數、目標載頻參數、及目標脈寬參數中的至少一種，當然還可能包括其他的特征參數。其中，目標機弦號可以是指對于目標對象的編號，例如對于同類型的目標對象可以分別編號，或者不同類型的目標對象也可以總體進行編號，載體平臺可以是設置傳感器的平臺，載體平臺上的傳感器用于接收或探測目標對象上傳感器的信息。本發明實施例中，待識別的特征參數可以有多個，第一特征參數可以是待識別的特征參數中的任意特征參數。本發明實施例提供的目標識別的過程就是將待識別的特征參數與已知目標的特征參數進行比較，根據比較結果判斷待識別的特征參數屬于哪個目標對象。本發明實施例中，將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度，可以根據相似度的高低判斷第一特征參數是否屬于存儲的一個特征參數對應的目標對象，相似度越高，第一特征參數屬于存儲的一個特征參數對應的目標對象的可能性越大。本發明實施例中，兩個特征參數的相似度可以用兩個特征參數的差值表示，差值越小則相似度越高，或者兩個特征參數的相似度也可以用兩個特征參數的比值表示，比值越大則相似度越高。本發明實施例中，在將待識別的第一特征參數與存儲的多個特征參數進行比較之前，可以先獲取并存儲多個特征參數。存儲的多個特征參數可以理解為先驗知識，一個特征參數可以理解為一條先驗知識，每條先驗知識可以對應一個屬性，在存儲多個特征參數時，可以視為該特征參數所對應的屬性和該屬性所屬的對象均已知，那么，如果一個特征參數與存儲的多個特征參數中的任意特征參數的相似度較高，例如高于第一閾值，那么可以基本認為該特征參數所屬的目標對象就是與該特征參數相似度高于第一閾值的特征參數所屬的對象。本發明實施例中，在獲取先驗知識的過程中，可以同步獲取每條先驗知識的支持度和置信度。支持度可以表示特征參數在目標對象的重要程度，置信度可以表示特征參數屬于目標對象的可能性。在獲取先驗知識的過程中，還可以獲取一個特征參數屬于一個目標對象的概率，也可以稱為先驗概率，比如，識別空中輻射源目標類型，當特征參數為輻射特征參數(脈寬、工作頻率)時，經過分析得到脈寬窄時，為民用機的概率是70％，為殲擊機的概率是40％等。在這個過程中，也可以結合經驗獲取一個特征參數屬于一個目標對象的條件概率，比如，識別空中輻射源目標類型，可以對目標雷達的輻射特征參數(脈寬、工作頻率)測量，根據輻射源特征，相同條件下，如果目標為殲擊機，則脈寬為寬、中等、窄的概率分別為10％、50％、40％；如果目標為民用機，則概率分別為10％、20％、70％。在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，可以確定多個相似度中最大的相似度是否大于等于第一閾值，以確定第一特征參數屬于哪個目標對象。其中，第一閾值可以根據經驗設置，比如可以設置為95％，或者也可以設置為98％等，以第一閾值為98％為例，在將待識別的第一特征參數與存儲的多個特征參數進行比較后，如果得到的多個相似度中最大的相似度為90％，小于第一閾值，那么可能無法通過先驗知識來確定該特征參數所屬的對象，而如果得到的多個相似度最大的相似度為99％，大于第一閾值，那么可以結合先驗知識來確定該特征參數所屬的目標對象。如果得到的多個相似度中最大的相似度大于等于第一閾值，關于結合先驗知識來確定該特征參數所屬的目標對象可能有幾種不同的方式，下面分別介紹。方式一：如果多個相似度中最大的相似度大于等于第一閾值，且存儲的多個特征參數中每個特征參數的置信度都為1，那么可以確定存儲的多個特征參數中支持度最大的特征參數所對應的目標對象為第一特征參數所屬的對象。若存儲的多個特征參數中每個特征參數的置信度都為1，那么每個特征參數屬于目標對象的可能性都一樣大。此時，可以通過支持度，即特征參數在目標對象中的重要程度來判斷第一特征參數所屬的對象。由于支持度越大，特征參數屬于目標對象的可能性越大，因此，可以確定存儲的多個特征參數中支持度最大的特征參數所對應的目標對象為第一特征參數所屬的對象。方式二：如果多個相似度中最大的相似度大于等于第一閾值，且存儲的多個特征參數中每個特征參數的置信度都小于1，確定存儲的多個特征參數中置信度最大的特征參數所對應的目標對象為第一特征參數所屬的對象。若存儲的多個特征參數中每個特征參數的置信度都小于1，那么待識別的特征參數所屬的對象為存儲的特征參數所對應的目標對象的可能性都較小，此時，可以選擇存儲的多個特征參數中置信度最大，即可能性最大的特征參數所對應的目標對象為第一特征參數所屬的對象。方式三：如果多個相似度中最大的相似度大于等于第一閾值，且存儲的多個特征參數中的第二特征參數的置信度為1，確定第二特征參數所對應的目標對象為第一特征參數所屬的對象，其中，存儲的多個特征參數中除第二特征參數之外其他的每個特征參數的置信度均小于1。如果存儲的多個特征參數中第二特征參數的置信度為1，且除第二特征參數之外其他的每個特征參數的置信度均小于1，那么第二特征參數屬于目標對象的可能性最大。此時，可以確定存儲的第二特征參數所對應的目標對象為第一特征參數所屬的對象。前面介紹的三種方式都是得到的多個相似度中最大的相似度大于等于第一閾值的情況，而如果得到的多個相似度中最大的相似度小于第一閾值，則通過先驗知識來確定第一特征參數所屬的對象可能會不夠準確，鑒于此，本發明實施例引入新的方式，下面進行介紹。如果得到的多個相似度中最大的相似度小于第一閾值，則可以通過建立貝葉斯網絡模型來繼續判斷第一特征參數屬于哪個對象。貝葉斯網絡模型的父節點可以代表至少一個目標對象的屬性，每個父節點可以代表一個屬性。貝葉斯網絡模型的子節點可以代表待識別的特征參數，每個子節點可以代表一個待識別的特征參數，例如可以包括速度參數、方位參數、脈寬參數、或頻率參數等。貝葉斯網絡模型的父節點和子節點的數量可以根據實際需要設置。由于不同時刻的特征參數的值可能發生變化或缺失，因此本發明實施例提供的貝葉斯網絡模型可以考慮時間對特征參數的影響，可以理解為該貝葉斯網絡模型是轉移網絡模型，如圖2所示。貝葉斯網絡模型的不同節點可以代表不同的時刻，其中t時刻可以是前一次識別的時刻，父節點1和子節點1對應t時刻，t+1時刻可以是后一次識別的時刻，父節點2和子節點2對應t+1時刻，子節點1和子節點2代表同一屬性的特征參數，則根據該貝葉斯網絡模型可以得到該特征參數在t時刻和t+1時刻過程中的轉移概率，轉移概率可以用于表征一個特征參數所屬的對象發生改變的概率。在本發明的一個實施例中，可以根據第一特征參數屬于至少一個目標對象的至少一個條件概率及至少一個目標對象的先驗概率，通過貝葉斯網絡模型確定第一特征參數屬于至少一個目標對象的至少一個實際概率。貝葉斯網絡模型可以對特征參數進行學習，不斷更新各個特征參數的先驗概率和條件概率，還可以獲取第一特征參數在預設的持續時長的轉移概率。在一種實施方式下，可以根據如下公式計算第一特征參數屬于一個目標對象的實際概率：P(θ[0],θ[1],...,θ[t],|e[0],e[1],...,e[t])=Πj=1nΠi=0tP(ej[i]|θ[i])P(θ[i]|θ[i-1])P(e[0]|θ[0])P(θ[0])Σθ[0],...,θ[t]Πj=1nΠi=0tP(ej[i]|θ[i])P(θ[i]|θ[i-1])P(e[0]|θ[0])P(θ[0])---(1)]]>公式(1)中，P(θ[0],θ[1]…,θ[t]|e[0],e[1],…,e[t])用于表示第一特征參數屬于一個目標對象的實際概率，θ[t]用于表示t時刻的目標屬性，e[t]用于表示t時刻的第一特征參數的值，P(θ[i])用于表示i時刻的目標屬性在所有目標屬性中的先驗概率，P(ej[i]|θ[i])用于表示i時刻第一特征參數的值屬于i時刻的目標屬性條件概率，P(θ[i]|θ[i-1])用于表示第一特征參數所屬的目標對象在i時刻和i-1時刻過程中的轉移概率，其中i∈[0,1,...t]，目標屬性可以用于表征目標對象。以第一特征參數是速度參數為例，假設通過速度參數的不同取值，判斷第一特征參數屬于哪個目標對象，假設第一特征參數為速度參數，t＝1，且t＝0時刻，通過根據多個相似度判斷得出第一特征參數屬于空中目標。例如目標分別為陸地目標、海面目標、空中目標，那么目標屬性的先驗概率如表1所示。第一特征參數的值如速度的值在t＝1時刻屬于一個目標屬性的條件概率如表2所示。第一特征參數所屬的目標對象在t＝0時刻和t＝1時刻過程中的轉移概率，如表3所示。表1表2表3表1中，p(θ1)，p(θ2)，p(θ3)分別表示目標分別為陸地目標、海面目標、空中目標的概率，當第一特征參數即速度在t＝1時刻的值∈(c,d]時，將先驗概率、條件概率、轉移概率帶入公式(1)可以計算出t＝1時刻第一特征參數對應于不同目標對象的實際概率，如可以計算出p(θ1(1))＝3.2078e-008、p(θ2(1))＝9.2386e-006、p(θ3(1))＝1.0000。得到第一特征參數對應的目標對象的實際概率之后，可以確定得到的實際概率中最大的實際概率所對應的目標對象為第一特征參數所屬的對象，如p(θ3(1))的概率最大，可確定t＝1時刻第一特征參數所屬的對象為空中目標對象，至此，對第一特征參數的識別過程結束。另外，可以保存第一特征參數識別結果，以作為后續識別過程的參考。在對第一特征參數識別結束后，可能還需識別其他的特征參數，以繼續識別第三特征參數為例。在需識別第三特征參數時，因為之前已經有已識別的特征參數，例如第一特征參數，因此可以結合歷史數據，即結合已識別的特征參數來識別新的特征參數，以提高識別效率。在需識別第三特征參數時，可以判斷待識別的第三特征參數的第一信息是否與第一特征參數的第一信息一致，以確定第三特征參數所屬的對象是否就是第一特征參數所屬的對象。第一信息可以指示特征參數所對應的屬性，如可以是陸地目標、海面目標、空中目標。在一種實施方式中，若第三特征參數的第一信息與第一特征參數的第一信息一致，且此時第一特征參數所屬的對象為第一對象的置信度為1，也就是第一特征參數屬于第一對象的可能性較大，則可以確定第一對象為第三特征參數所屬的對象。在一種實施方式中，若第三特征參數的第一信息與第一特征參數的第一信息一致，但第一特征參數所屬的對象為第一對象的置信度不是1，或第三特征參數所對應的第一信息與第一特征參數所對應的第一信息不一致，則需要重新識別第三特征參數屬于哪個目標對象，可以按照前述對第一特征參數的識別過程進行識別，不多贅述。例如識別確定第三特征參數屬于第二對象，則確定之前是否已存儲了第二對象，即存儲的特征參數中是否有特征參數屬于第二對象，若沒有，則存儲屬于第二對象的第三特征參數。可選的，可以根據歷史數據糾正或改善當前識別結果，比如，針對1號目標，前100次類型識別結果都是空中目標，且置信度達到預設閾值，而當前識別結果是海面目標，那么根據歷史結果庫，需要將海面目標糾正為空中目標。下面結合附圖介紹本發明實施例所提供的設備。請參見圖3，基于同一發明構思，本發明實施例提供一種目標識別設備，該目標識別設備可以包括存儲器301和處理器302。存儲器301可以通過總線300與處理器302相連接(圖3以此為例)，或者也可以通過專門的連接線與處理器302連接。存儲器301用于存儲指令，處理器302用于調用所述存儲器存儲的指令，將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度；若多個相似度中最大的相似度小于預設的第一閾值，根據第一特征參數屬于至少一個目標對象的至少一個條件概率及至少一個目標對象的先驗概率，確定第一特征參數屬于至少一個目標對象的至少一個實際概率；確定至少一個實際概率中最大的實際概率所對應的目標對象為第一特征參數所屬的對象；其中，每個相似度用于指示第一特征參數與存儲的一個特征參數之間的相似程度。可選的，處理器302還可以用于：在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，若多個相似度中最大的相似度大于等于第一閾值，且存儲的多個特征參數中每個特征參數的置信度都為1，確定存儲的多個特征參數中支持度最大的特征參數所對應的目標對象為第一特征參數所屬的對象。可選的，處理器302還可以用于：在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，若多個相似度中最大的相似度大于等于第一閾值，且存儲的多個特征參數中每個特征參數的置信度都小于1，確定存儲的多個特征參數中置信度最大的特征參數所對應的目標對象為第一特征參數所屬的對象。可選的，處理器302還可以用于：在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，若多個相似度中最大的相似度大于等于第一閾值，且存儲的多個特征參數中的第二特征參數的置信度為1，確定第二特征參數所對應的目標對象為第一特征參數所屬的對象；其中，存儲的多個特征參數中除第二特征參數之外其他的每個特征參數的置信度均小于1。可選的，處理器302還可以用于：在根據第一特征參數屬于至少一個目標對象的至少一個條件概率及至少一個目標對象的先驗概率，確定第一特征參數屬于至少一個目標對象的至少一個實際概率之前，建立貝葉斯網絡模型；其中，貝葉斯網絡模型的父節點代表至少一個目標對象的屬性，貝葉斯網絡模型的子節點代表待識別的特征參數；處理器302可以用于根據第一特征參數屬于至少一個目標對象的至少一個條件概率及至少一個目標對象的先驗概率，確定第一特征參數屬于至少一個目標對象的至少一個實際概率，包括：根據第一特征參數屬于至少一個目標對象的至少一個條件概率及至少一個目標對象的先驗概率，通過貝葉斯網絡模型確定第一特征參數屬于所述至少一個目標對象的至少一個實際概率。可選的，處理器302還可以用于：在建立貝葉斯網絡模型之后，根據貝葉斯網絡模型獲取第一特征參數在預設的持續時長的轉移概率；轉移概率用于指示第一特征參數所屬的對象發生改變的概率；處理器302可以用于根據第一特征參數屬于至少一個目標對象的至少一個條件概率及至少一個目標對象的先驗概率，確定第一特征參數屬于至少一個目標對象的至少一個實際概率，包括：根據第一特征參數屬于至少一個目標對象的至少一個條件概率、至少一個目標對象的先驗概率及轉移概率，通過貝葉斯網絡模型確定第一特征參數屬于至少一個目標對象的至少一個實際概率。可選的，處理器302還可以用于：在確定至少一個實際概率中最大的實際概率所對應的目標對象為第一特征參數所屬的對象之后，判斷待識別的第三特征參數的第一信息是否與第一特征參數的第一信息一致；第一信息用于指示特征參數所對應的屬性；若第三特征參數的第一信息與第一特征參數的第一信息一致，則確定第一特征參數所屬的對象為第三特征參數所屬的對象。可選的，處理器302還可以用于：在確定第一特征參數所屬的對象為第三特征參數所屬的對象之前，確定第一特征參數所屬的對象為第一對象的置信度是否為1；處理器302可以用于確定第一特征參數所屬的對象為第三特征參數所屬的對象，包括：若第一特征參數所屬的對象為第一對象的置信度為1，則確定第一對象為第三特征參數所屬的對象。如圖4所示，基于同一發明構思，本發明實施例還提供一種目標識別設備，該目標識別設備與圖3所示的目標識別設備可以是同一目標識別設備包括獲取比較模塊401、第一確定模塊402和第二確定模塊403。比較模塊401可以用于將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度；其中每個相似度用于指示所述第一特征參數與存儲的一個特征參數之間的相似程度；第一確定模塊402可以用于若多個相似度中最大的相似度小于預設的第一閾值，根據第一特征參數屬于至少一個目標對象的至少一個條件概率及至少一個目標對象的先驗概率，確定第一特征參數屬于至少一個目標對象的至少一個實際概率；第二確定模塊403可以用于確定至少一個實際概率中最大的實際概率所對應的目標對象為第一特征參數所屬的對象。可選的，本發明實施例中，第一確定模塊402還可以用于在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，若多個相似度中最大的相似度大于等于所述第一閾值，且存儲的多個特征參數中每個特征參數的置信度都為1，確定存儲的多個特征參數中支持度最大的特征參數所對應的目標對象為第一特征參數所屬的對象。可選的，本發明實施例中，第一確定模塊402還可以用于在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，若多個相似度中最大的相似度大于等于所述第一閾值，且存儲的多個特征參數中每個特征參數的置信度都小于1，確定存儲的多個特征參數中置信度最大的特征參數所對應的目標對象為第一特征參數所屬的對象。可選的，本發明實施例中，第一確定模塊402還可以用于在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后，若多個相似度中最大的相似度大于等于所述第一閾值，且存儲的多個特征參數中的第二特征參數的置信度為1，確定第二特征參數所對應的目標對象為第一特征參數所屬的對象；其中，存儲的多個特征參數中除第二特征參數之外其他的每個特征參數的置信度均小于1。可選的，本發明實施例中，目標識別設備還包括：建立模塊，可以用于在根據第一特征參數屬于至少一個目標對象的至少一個條件概率及至少一個目標對象的先驗概率，確定第一特征參數屬于至少一個目標對象的至少一個實際概率之前，建立貝葉斯網絡模型；其中，貝葉斯網絡模型的父節點代表至少一個目標對象的屬性，貝葉斯網絡模型的子節點代表待識別的特征參數；第一確定模塊402還可以用于根據第一特征參數屬于至少一個目標對象的至少一個條件概率及至少一個目標對象的先驗概率，通過貝葉斯網絡模型確定第一特征參數屬于至少一個目標對象的至少一個實際概率。可選的，本發明實施例中，目標識別設備還包括：獲取模塊，可以用于在建立貝葉斯網絡模型之后，根據貝葉斯網絡模型獲取第一特征參數在預設的持續時長的轉移概率；轉移概率用于指示第一特征參數所屬的對象發生改變的概率；第一確定模塊402還可以用于根據第一特征參數屬于至少一個目標對象的至少一個條件概率、至少一個目標對象的先驗概率及轉移概率，通過貝葉斯網絡模型確定第一特征參數屬于至少一個目標對象的至少一個實際概率。可選的，本發明實施例中，目標識別設備還包括：判斷模塊，可以用于在確定至少一個實際概率中最大的實際概率所對應的目標對象為第一特征參數所屬的對象之后，判斷待識別的第三特征參數的第一信息是否與第一特征參數的第一信息一致；第一信息用于指示特征參數所對應的屬性；第三確定模塊，可以用于若第三特征參數的第一信息與第一特征參數的第一信息一致，則確定第一特征參數所屬的對象為第三特征參數所屬的對象。可選的，本發明實施例中，目標識別設備還包括:第四確定模塊，可以用于在確定第一特征參數所屬的對象為第三特征參數所屬的對象之前，確定第一特征參數所屬的對象為第一對象的置信度是否為1；第三確定模塊還可以用于若第一特征參數所屬的對象為第一對象的置信度為1，則確定第一對象為第三特征參數所屬的對象。該目標識別設備可以用于執行上述圖1-圖2實施例中所述的目標識別方法，因此，對于該目標識別設備中的各模塊所實現的功能等，可參考如前述方法部分的描述，不多贅述。所屬領域的技術人員可以清楚地了解到，為描述的方便和簡潔，僅以上述各功能模塊的劃分進行舉例說明，實際應用中，可以根據需要而將上述功能分配由不同的功能模塊完成，即將裝置的內部結構劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。上述描述的系統，裝置和單元的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。在本發明所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，可以通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述模塊或單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統，或一些特征可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現，也可以采用軟件功能單元的形式實現。所述集成的單元如果以軟件功能單元的形式實現并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟件產品的形式體現出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)或處理器(processor)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：通用串行總線閃存驅動器(UniversalSerialBusflashdrive，USBflashdrive)、移動硬盤、只讀存儲器(Read-OnlyMemory，ROM)、隨機存取存儲器(RandomAccessMemory，RAM)、磁碟或者光盤等各種可以存儲程序代碼的介質。具體來講，本申請實施例中的目標識別方法對應的計算機程序指令可以被存儲在光盤，硬盤，U盤等存儲介質上，當存儲介質中的與目標識別方法對應的計算機程序指令被一目標識別設備讀取或被執行時，包括如下步驟：將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度；其中每個相似度用于指示所述第一特征參數與存儲的一個特征參數之間的相似程度；若所述多個相似度中最大的相似度小于預設的第一閾值，根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率；確定所述至少一個實際概率中最大的實際概率所對應的目標對象為所述第一特征參數所屬的對象。可選的，所述存儲介質中還存儲有另外一些計算機指令，這些計算機指令在步驟：在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后被執行，在被執行時包括如下步驟：若所述多個相似度中最大的相似度大于等于所述第一閾值，且所述存儲的多個特征參數中每個特征參數的置信度都為1，確定所述存儲的多個特征參數中支持度最大的特征參數所對應的目標對象為所述第一特征參數所屬的對象。可選的，所述存儲介質中還存儲有另外一些計算機指令，這些計算機指令在步驟：在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后被執行，在被執行時包括如下步驟：若所述多個相似度中最大的相似度大于等于所述第一閾值，且所述存儲的多個特征參數中每個特征參數的置信度都小于1，確定所述存儲的多個特征參數中置信度最大的特征參數所對應的目標對象為所述第一特征參數所屬的對象。可選的，所述存儲介質中還存儲有另外一些計算機指令，這些計算機指令在步驟：在將待識別的第一特征參數與存儲的多個特征參數進行比較，獲得多個相似度之后被執行，在被執行時包括如下步驟：若所述多個相似度中最大的相似度大于等于所述第一閾值，且所述存儲的多個特征參數中的第二特征參數的置信度為1，確定所述第二特征參數所對應的目標對象為所述第一特征參數所屬的對象；其中，所述存儲的多個特征參數中除所述第二特征參數之外其他的每個特征參數的置信度均小于1。可選的，所述存儲介質中還存儲有另外一些計算機指令，這些計算機指令在步驟：在根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率之前被執行，在被執行時包括如下步驟：建立貝葉斯網絡模型；其中，所述貝葉斯網絡模型的父節點代表所述至少一個目標對象的屬性，所述貝葉斯網絡模型的子節點代表待識別的特征參數；根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率，包括：根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，通過所述貝葉斯網絡模型確定所述第一特征參數屬于所述至少一個目標對象的所述至少一個實際概率。可選的，所述存儲介質中還存儲有另外一些計算機指令，這些計算機指令在步驟：在建立貝葉斯網絡模型之后被執行，在被執行時包括如下步驟：根據所述貝葉斯網絡模型獲取所述第一特征參數在預設的持續時長的轉移概率；所述轉移概率用于指示所述第一特征參數所屬的對象發生改變的概率；根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率及所述至少一個目標對象的先驗概率，確定所述第一特征參數屬于所述至少一個目標對象的至少一個實際概率，包括：根據所述第一特征參數屬于至少一個目標對象的至少一個條件概率、所述至少一個目標對象的先驗概率及所述轉移概率，通過所述貝葉斯網絡模型確定所述第一特征參數屬于所述至少一個目標對象的所述至少一個實際概率。可選的，所述存儲介質中還存儲有另外一些計算機指令，這些計算機指令在步驟：在確定所述至少一個實際概率中最大的實際概率所對應的目標對象為所述第一特征參數所屬的對象之后被執行，在被執行時包括如下步驟：判斷待識別的第三特征參數的第一信息是否與所述第一特征參數的第一信息一致；所述第一信息用于指示特征參數所對應的屬性；若所述第三特征參數的第一信息與所述第一特征參數的第一信息一致，則確定所述第一特征參數所屬的對象為所述第三特征參數所屬的對象。可選的，所述存儲介質中還存儲有另外一些計算機指令，這些計算機指令在步驟：在確定所述第一特征參數所屬的對象為所述第三特征參數所屬的對象之前被執行，在被執行時包括如下步驟：確定所述第一特征參數所屬的對象為第一對象的置信度是否為1；確定所述第一特征參數所屬的對象為所述第三特征參數所屬的對象，包括：若所述第一特征參數所屬的對象為所述第一對象的置信度為1，則確定所述第一對象為所述第三特征參數所屬的對象。顯然，本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和范圍。這樣，倘若本發明的這些修改和變型屬于本發明權利要求及其等同技術的范圍之內，則本發明也意圖包含這些改動和變型在內。當前第1頁1 2 3