为了达到高可靠性的分类识别效果，通常采用现代模式识别理论和方法进行分类器设计，例如基于统计的模式分类方法、模糊模式分类方法、基于神经网络的模式分类方法、基于支持向量机的模式分类方法、基于模型的模式分类方法和基于句法的模式分类方法等。

基于统计的分类识别算法是用概率模型得到各类别的特征向量分布并以此进行未知样本的分类，其中主要的方法有聚类分析法、判别类域代数界面法、统计决策法和最近邻法等。Pasal等人基于似然函数的统计分类识别算法，对激光雷达距离像进行了分类识别；Qin等人基于最小概率误差的统计分类识别算法，利用模拟的地面交通目标的距离像进行了实验验证。

模糊分类识别算法运用模糊数学的理论和方法解决分类识别问题，适用于分类对象本身或要求的识别结果具有模糊性的场合，其关键在于对象类的隶属函数的设计。Garten等人应用模糊逻辑分类器对T62和T72两种坦克目标进行识别。

基于神经网络的分类识别算法是受人脑组织的生理学知识启发而建立的分类方法，它是由大量简单的单元——神经元相互连接而构成的非线性动态系统，具有生物神经网络的某些特性，在自学习、自组织、联想及容错方面具有较强的能力，具有能够通过调整使得输出在特征空间中逼近任意目标的优点，但数学解释复杂，常常需要通过大量试验进行网络设计改进。Soliday等人将从目标距离像中取的几何特征和从强度像中提取的反射系数特征进行特征层融合，然后利用混合的模糊－神经网络分类器进行识别。Pal等人应用随机选择特征k-nn分类器和改进的多层感知器（MLP）网络两种方法对激光成像雷达目标进行识别。

基于支持向量机的分类识别算法建立在VC维理论和结构风险最小化原理基础上，通过适当地选择函数子集中的判别函数，根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷，使学习机器的实际风险达到最小，以期获得最好的泛化性能。孙剑峰等就利用支持向量机对真、假建筑物目标的激光成像雷达实测强度像进行识别，对两种车辆目标的激光成像雷达仿真距离像进行识别，取得了比较好的识别效果。

基于模型的分类识别算法用目标的实体模型根据目标姿态等具体情况实时构造特征“模板”用于识别。识别过程中通过一定的算法选定模型库中的某一模型，用该模型生成特征向量，称为预测特征，同时从待测目标中提取出特征向量，称为提取特征，然后对预测特征和提取特征进行匹配。基于模型的方法具有存储量低，处理速度快，分辨能力高，而且能够适应不同的工作条件的特点，能部分地解决扩展工作条件下目标状态无限增大的问题。Verly等人设计了基于模型的目标识别实验系统（XTRS），对激光成像雷达战术车辆目标进行分类识别，通过将目标的轮廓特征和子区域原始特征与不同层次的目标模型库作匹配实现目标识别。Zheng等人通过模拟激光与物理几何模型的相互作用获得距离像模板，然后通过匹配实际探测到的距离像与距离像模板来实现分类识别。

句法分类识别算法是将对象分解为若干基本单元（基元），用这些基元以及它们的结构关系用字符串或图来描述对象，然后应用形式语言理论进行语法分析，多用于复杂对象的较高水平解释。均应用了句法分类识别算法对三维目标进行了分类识别。

需要说明，对激光成像雷达目标识别算法的研究并不局限于上述技术途径。国内外学者近年来还陆续取得了其它一些研究其它成果。例如，Youmans等人对由距离像和强度像构成了三维矩阵图像进行三维傅立叶变换，然后利用常规的两维模板相关技术进行目标识别。Forman等人通过旋转目标的三维模型使得广义Hough变换与激光成像雷达目标的关键可分辨特征相匹配，以此作为目标识别的依据；另外，他们还提出利用最小平均相关能量滤波器进行稳健的目标识别。Perona 等人利用相关滤波器(MACH和DCCF)对坐标变换后的激光成像雷达目标距离像和强度像进行识别。Armbruster等人比较了常规的模型匹配方法（即确定性的模型匹配方法）和基于贝叶斯假设检验的概率技术（即概率模型匹配方法）对军用车辆目标距离像的分类性能，实验结果表明，最佳的分类结果是需要目标分割的概率模型匹配方法。Koksal等人提出了一种基于统计模型的激光成像雷达目标识别方法，应用边缘跟踪提取目标距离像的轮廓边缘作为特征，然后建立特征的统计模型，通过与目标模型库作匹配实现对车辆目标的识别。Zhou等人对激光雷达的测量噪声、目标模型精度、量测点密度、目标姿态误差、先验信息和遮挡等因素对目标分类识别算法的影响进行了研究。

原文出处