一种基于组合不变矩的新的舰船图像目标识别方法

利用图像的不变矩特征进行目标识别是一种有效的方法.通过比较Hu矩、仿射不变矩和小波不变矩的特点和适用条件,提出了一种运用部分Hu矩、仿射矩和小波矩组合来识别舰船图像目标的方法.仿真实验结果表明,该组合矩对于提高舰船图像目标的识别率是有效的.     

简评基于图像融合的目标识别和跟踪算法

传统的目标识别和跟踪算法都是基于单传感器图像的.随着多传感器图像融合技术的深入发展,其在目标识别和跟踪领域的应用也越来越广泛.评述了基于图像融合的目标识别与跟踪算法,包括融合预处理、融合识别和融合跟踪,说明了图像融合思想在目标识别与跟踪领域的优越性.     

基于深度学习的SAR图像目标识别综述

随着合成孔径雷达技术的不断发展,雷达图像目标识别成为重要的研究方向.近年来,深度学习技术在雷达图像目标检测与识别方面得到了广泛应用,然而,数据样本量少和数据样本类别不均衡成为制约深度学习在合成孔径雷达目标识别中的重要因素.对基于深度学习的SAR图像目标识别算法进行了分析,首先,介绍了SAR图像目标识别常用数据集和多角度...     

基于Hough变换的低分辨率雷达目标识别

针对低分辨率雷达目标的识别问题,提出了一种基于Hough变换的特征提取方法.通过对Hough变换后参数空间进行特征定义来描述参数空间灰度图像的纹理分布特点,进而描述图像空间目标的形状特征.文中利用该方法结合径向基函数神经网络对低分辨率雷达船只目标轮廓像进行特征提取并识别,取得了较高的识别率.     

基于偏振成像和图像融合的目标识别技术

提出了一种基于偏振特征的目标识别技术.实验采用He-Ne激光作为照明光源,根据目标散射光偏振度的差异,利用DSP图像采集系统获取了目标的偏振图像,并利用图像融合技术计算了目标的Stokes图像和偏振度图像.结果显示:偏振成像有效地滤除了杂乱背景散射光的影响,明显提高了目标成像的对比度和分辨率.所以偏振成像技术可以有效地提高目标探测和识别效率.     

小波变换在实时联合变换相关器中应用的研究

通过目标图像的小波变换获得图像的多分辨率小波梯度信息,再利用线性或非线性的变换来处理图像的小波梯度信息,这样便得到了一幅梯度信息增强后的小波系数,利用图像复原技术便能得到对比度增强后的目标图像,从而使实时联合变换相关器能较好地识别复杂背景低对比度的目标图像.     

基于线偏振激光主动成像的目标探测与识别

在对偏振光进行Stokes参量法描述的基础上,用线偏振激光对六种不同材料的目标进行了主动成像实验.实验中,先分别用CCD1和CCD2接收水平偏振图像和竖直偏振图像,然后,根据两幅图像的平均灰度值IX和IY,算出了不同目标反射光的偏振度P.在此基础上,对绿色油漆覆盖的铁片和铜片进行目标识别实验,通过对偏振图像进行直方图均衡化处理,将两种不同材料的金属目标明显地识别出来.实验证明,偏振图像具有识别目标细节的能力,特别适合暗小目标的探测与识别.     

合成孔径雷达目标自动识别研究

讨论了基于物理光学和几何绕射理论的散射中心理论模型,对散射中心模型的各个参数在图像域进行了估计,详细分析了基于散射中心理论的SAR图像目标特征提取算法,采用了先估计目标方位后识别目标类型的目标识别方法以提高目标识别的效率,并利用Delaunay三角化技术提高了目标方位的估计精度.实测MSTAR SAR图像中目标的识别结果表明了该方法的准确性和有效性.     

红外多谱段小目标识别方法

随着红外诱饵技术的不断发展,对传统的小目标识别提出了新的挑战.通过对飞行目标和红外诱饵光谱特征的分析,利用红外多谱段图像对天空背景中具有伴飞诱饵干扰的小目标进行识别.提出了自适应阈值分割和能量相关滤波相结合的方法对图像进行预处理,再利用光谱角算法对疑似小目标进行识别,增加了目标识别的可靠性,降低了算法的复杂度.与传统的单波段目标识别跟踪算法不同,该算法从光谱特征差异性角度对目标进行识别,识别概率高,运算量小,为红外小目标识别提供了新的解决办法.     

地面红外目标图像识别方法研究

红外成像自动目标识别是精确制导武器的重要研究内容.针对地面复杂背景条件下,目标难以检测识别的问题,在分析地面目标红外图像场景的基础上,首先利用形态学技术对图像进行去噪和抑制背景,采用Otsu法对图像进行阈值分割并用形态学技术消除虚警目标点,用扩展像素标记法对图像进行区域标记,然后提取目标形状、矩和统计分布三类特征作为识别特征,并采用模糊综合评判方法识别目标.对实地拍摄的100幅坦克目标红外图像进行了识别实验,结果表明,该方法在坦克的典型作战环境下具有较强的抗噪性能和抑制背景结构干扰的能力,能有效识别出目标,并且易于用并行处理和硬件实现.     

一种基于EfficientNet与BiGRU的多角度SAR图像目标识别方法

合成孔径雷达(SAR)的自动目标识别(ATR)技术目前已广泛应用于军事和民用领域。SAR图像对成像的方位角极其敏感,同一目标在不同方位角下的SAR图像存在一定差异,而多方位角的SAR图像序列蕴含着更加丰富的分类识别信息。因此,该文提出一种基于EfficientNet和BiGRU的多角度SAR目标识别模型,并使用孤岛损失来训练模型。该方法在MSTAR数据集10类目标识别任务中可以达到100%的识别准确率,对大俯仰角(擦地角)下成像、存在版本变体、存在配置变体的3种特殊情况下的SAR目标分别达到了99.68%, 99.95%, 99.91%的识别准确率。此外,该方法在小规模的数据集上也能达到令人满意的识别准确率。实验结果表明,该方法在MSTAR的大部分数据集上识别准确率均优于其他多角度SAR目标识别方法,且具有一定的鲁棒性。      

基于二维随机投影特征典型相关分析融合的SAR ATR方法

合成孔径雷达（Synthetic aperture radar,SAR）自动目标识别（Automatic target recognition,ATR）是现代战场情报侦察、精确打击的重要支撑技术。为提升SAR ATR整体性能,提出基于二维投影特征多重集典型相关分析（Multiset canonical correlations analysis,MCCA）的方法。首先,采用若干二维随机投影矩阵对SAR图像进行特征提取,获得多层次特征描述。考虑到这些结果之间的相关性和可能存在的冗余及干扰,进一步通过MCCA对它们进行融合处理,获取单一特征矢量。基于稀疏表示分类器（Sparse representation-based classification,SRC）对融合特征矢量进行处理,判决目标类别。实验基于MSTAR数据集开展,对方法性能进行检验确认,结果能够验证其有效性。     

复杂场景下单通道SAR目标检测及鉴别研究进展综述

SAR作为一种主动式微波成像传感器,以其全天时、全天候、作用距离远等独特的技术优势,成为当前对地观测的主要手段之一,在军事和民用领域发挥着十分重要的作用。随着SAR遥感技术的发展,高分辨率、高质量的SAR图像不断产生,仅依靠人工手段对感兴趣的目标进行检测、识别费时费力,因此亟需发展SAR自动目标识别(ATR)技术。典型的SAR ATR系统主要包括检测、鉴别、分类/识别3个阶段,其中,检测和鉴别阶段是整个SAR ATR系统的基础,是国内外雷达界一直开展的SAR应用基础研究之一。针对单通道SAR图像,简单场景下目标检测与鉴别已经取得了不错的结果;而在复杂场景下,杂波散射强度相对高、杂波背景非均匀和目标散射强度相对弱、分布密集等情况,使得SAR目标检测和鉴别依然是一个难点。该文对近十年左右复杂场景下单通道SAR目标检测及鉴别方法的研究进展进行了归纳总结,并分析了各类方法的特点及存在的问题,展望了未来复杂场景下单通道SAR目标检测与鉴别方法的发展趋势。      

复杂环境大场景SAR图像飞机目标快速检测

随着人工智能与合成孔径雷达（synthetic aperture radar,SAR）技术的发展,基于卷积神经网络（convolutional neural network,CNN）的SAR图像自动目标识别技术取得了一定的突破.然而,由于飞机自身结构以及SAR成像机制的复杂性,在复杂环境大场景SAR图像中对飞机目标进行快速准确的检测依然存在挑战.为提升算法的检测能力,本文对现有检测算法的处理流程进行了分析与总结,并提出了一种复杂环境大场景SAR图像飞机目标快速检测算法.算法优化了整体检测流程,设计了基于灰度特征的机场区域精细化提取和基于CNN的飞机目标粗检测两大子模块,并采用了YOLOv3网络对机场区域以及飞机目标分别进行初步的提取与检测.实验结果表明,本文算法对复杂环境大场景SAR图像中的飞机目标具有高效的检测能力.     

基于SAR图像的自动目标识别系统设计与实现

设计并实现了一套完整的、基于合成孔径雷达（SAR,synthetic aperture radar）图像的自动目标识别（ATR,automatictargetrecognition）系统。该系统包括降相干斑处理、恒虚警率（CFAR,con-stantfalsealarmrate）检测、强散点聚类与鉴别、感兴趣区域（ROI,rangeofinterest）分割和基于模板的最大相关匹配等五大部分。SAR图像匹配模板库来自于对典型目标的电磁仿真,待检测SAR图像来自某机载SAR系统对某地面区域的成像实验。测试表明所介绍的ATR系统在满足工程性能要求的意义上,实现了在典型的地貌环境下对典型军事目标的实时自动识别。     

采用热核特征的SAR图像目标识别

为了解决SAR图像受相干斑噪声干扰和震后发生形变而识别率偏低的问题,提出了一种新的仿射、形变不变特征-热核特征,并将该特征用于SAR图像目标识别.首先采用推广的核模糊C-均值方法分割SAR图像,提取SAR图像目标形状;接着对目标形状进行Delaunay三角剖分,采用余切权重法对Laplace-Beltrami Operator离散化,通过离散化Laplace-Beltrami Operator特征值、特征向量求每一点热核特征;然后采用谱距离公式对点点间热核距离计算,转化为距离分布表示目标形状的热核特征;最后采用L1相似性准则对图像进行相似性度量,得到识别结果.实验表明:与经典的Hu不变矩方法相比,对于仿射变换和发生形变的SAR图像,该方法都具有更高的识别率.因此,基于热核特征的SAR图像识别方法是一种更加有效的识别方法.     

基于多幅同目标图像和HMM的SAR图像目标识别

该文提出了一种基于多幅同目标图像和隐马尔可夫模型的合成孔径雷达图像目标识别方法。该方法通过小波域主成分分析提取目标图像特征向量,结合多幅不同方位角下的同目标图像的特征向量生成单幅图像的特征序列,用隐马尔可夫模型对特征序列进行识别。实验结果表明,该方法可明显提高目标的正确识别率,是一种有效的合成孔径雷达图像目标识别方法。     

基于DBSCAN技术的SAR图像感兴趣区域鉴别

使用一种新奇的聚类方法从粗略检测后的SAR图像中提取感兴趣区域(ROI),再通过多特征提取和综合鉴别,去除虚警保留目标,为进一步的目标识别做准备。自动目标聚类是基于SAR图像的自动目标识别系统的难点之一,带有噪声的基于密度的聚类方法 (DBSCAN)可以发现任意形状的聚类目标,只依赖于两个不敏感的系统参数,通过区域判断缩减计算时间减少计算内存,很好地适应了自动目标识别的系统需要。多特征目标鉴别方案基于聚类结果,研究聚类得到的感兴趣区域,通过提取多种特征综合判断,有效去除了虚警。所述方法已应用于某SAR-ATR系统,得到了很好的应用体验。     

一种联合阴影和目标区域图像的SAR目标识别方法

地面目标的SAR图像中除了包含目标散射回波形成的区域,还包括由目标遮挡地面形成的阴影区域。但是由于这两种区域中的图像特性不相同,所以传统的SAR图像自动目标识别主要利用目标区域信息进行目标识别,或者单独使用阴影区域进行识别。该文提出一种阴影区域与目标区域图像联合的稀疏表示模型。通过使用1\2范数最小化方法求解该模型得到联合的稀疏表示,然后根据联合重构误差最小准则进行SAR图像目标识别。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,通过联合稀疏表示模型可以有效地将目标区域与阴影区域信息进行融合,相对于采用单独区域图像的稀疏表示识别方法性能更好。     

High-performance automatic target recognition through data-specificVLSI

Under the Mojave configurable computing project, we have developed a system for achieving high performance on an automatic target recognition (ATR) application through the use of configurable computing technology. The ATR system studied here involves real-time image acquisition from a synthetic aperture radar (SAR). SAR images exhibit statistical properties which can be used to improve system performance. In this paper, the Mojave configurable computing system uses field programmable gate arrays (FPGA's) to implement highly specialized circuits while retaining the flexibility of programmable components. A controller sequences through a set of specialized circuits in response to real-time events. Computer-aided design (CAD) tools have been developed to support the automatic generation of these specialized circuits. The resulting configurable computing system achieves a significant performance advantage over the existing solution, which is based on application specific integrated circuit (ASIC) technology