基于模板匹配的前视红外目标识别方法

针对固定目标红外图像中边缘模糊,难以分割和识别的情况,提出了一种基于模板匹配的目标识别方法。由高程数据和正射影像等卫星数据生成目标区参考图和基准图,在基准图中根据归一化Laplace响应确定目标区特征尺度作为目标检测的先验知识,对实时图及灰度反转实时图进行匹配滤波,检测出候选区域,再对候选区域进行基于Hausdorff距离的模板匹配,从而得到最终识别结果。实验结果显示:该算法识别精度高、速度快,对于复杂地面目标前视红外图像的匹配识别具有一定的应用价值。     

一种基于边缘匹配的前视红外目标识别算法

红外目标识别是影响精确制导武器命中精度的重要因素。针对因基准图与实时图存在差异导致模板匹配性能下降的问题,提出了一种基于边缘匹配的前视红外（FLIR）目标识别算法。在模板匹配的基础上,利用目标的邻域信息排除虚警,计算基于匹配代价矩阵的匹配置信度对候选匹配点进行排序,利用前面连续多帧图像的识别结果为当前帧识别提供信息,从而提高目标识别的准确性和鲁棒性。在2组不同目标类型的红外视频序列上所做的实验表明,该算法具有较好的识别性能。     

基于尺寸解算的红外目标快速检测方法

针对传统模板匹配方法用时较长,在信号处理过程中末敏子弹易受到外界环境的干扰,从而容易引起末敏子弹对目标失效的问题,提出了基于尺寸解算的红外目标快速检测方法。该方法的核心是对多元线阵红外探测器采集到的多路波形信号进行边缘点快速提取,并联合各路时序关系以及高度信息对目标尺寸进行求解,实时获得目标尺寸信息,进而实现对红外目标的快速检测。试验结果表明:较传统模板匹配方法,在目标检测概率不低于90%,尺寸计算相对误差在5%以内的基础上,信号处理时间缩短了80%。试验结果验证了所提方法的有效性。     

一种红外运动车辆识别的新方法

针对红外图像的特点,文中提出了一种识别运动车辆的新方法。首先,多尺度形态滤波器对原始图像进行滤波,消除噪声,并对梯度图像进行平滑;其后用改进的分水岭算法对运动车辆的红外图像进行分割并对分割的结果进行区域融合;最后提出了一种基于模板匹配的方法对融合后的图像进行识别。实验证明,本算法对运动车辆有较好的识别效果。     

一种基于特征匹配的目标识别跟踪方法

针对复杂背景下的动态目标跟踪问题,提出了一种基于边缘检测,综合多图像特征与伺服机构位置信息进行匹配的目标识别跟踪方法。利用SUSAN算法检测边缘,提取出单帧图像中的可疑目标,依次选用灰度、目标几何、伺服机构位置信息和边界不变矩信息匹配,完成目标的识别。采用kalman预测滤波对脱靶量滞后时间进行补偿,选用目标空间位置进行多步预测,引导伺服机构跟踪。外场实验表明,该方法能有效她匹配识别出目标,并保持连续稳定的跟踪。     

面向视频监控的快速多人脸检测与分割

在人脸检测的智能视频监控系统的背景下,提出了一种基于多源信息融合技术和人脸结构知识的多人脸快速自动检测算法。该算法综合了图像中的运动和肢色信息,并利用相关的先 验知识得到人脸候选区域。提出了一种筒单、快速的区域分割算法：中点导引生长算法,该算法可以有效地将候选人脸区域用矩形分割表示;最后对每ー个候选区域根据人脸形状信息和特征进行 验证。实验证明该算法检测速度快、效率高,是ー种建立实时视频监控系统的实用方法,可以作为人脸跟踪研究的基础。     

基于无人机巡线图像的地面油气管道识别方法

限于成本,无人机搭载的任务设备主要为普通数码相机,采集的是可见光图像,针对此种情况,提出了一种利用彩色分割及形状检测识别油气管道的方法,首先需要设定感兴趣区域ROI,计算出协方差矩阵C和均值m,并使用欧氏距离、马氏距离对图像进行彩色聚类分割,然后对分割图像填色后进行边缘检测,最后根据边缘图像进行霍夫变换来检测直线特征,实现复杂环境下对管道位置的自动定位.测试图像库包含300幅图像,识别准确率达到80.3%,实验结果表明,在色彩差异较大背景中,基于颜色和形状特征的识别方法能有效进行管线跟踪定位.     

基于人脸亮度特征的人脸识别

8位灰度图、24位彩色图的人脸识别,采用基于人脸亮度特征的人脸识别方法-亮度曲线匹配块数法.8位灰度图像的人脸识别步骤包含人脸图像质量判断及图像预处理、人脸图像特征提取及人脸识别模型建立.24位彩色图像的人脸识别关键步骤为肤色过滤、人脸定位,将YIQ和KL色系结合进行肤色过滤以实现人脸的定位.实验中全部图像以BMP格式存储,并采用130×90归一化图像,得到了较好的识别效果.     

一种基于复合匹配的目标识别算法

模板匹配技术一直是图像目标识别的重要方法之一,采用基于矩参数的粗匹配与基于非均匀采样的精匹配相结合的复合匹配方案,避免了对目标模板的全局逐像素匹配,消除了图像数学相似性与信息相似性的偏差,大大提高了识别的速度和精度。经仿真实验,与传统模板匹配方法进行了比较分析,取得了比较理想的结果。     

工业CT图像的目标匹配定位方法

工业CT图像的目标匹配定位采用Hausdorff距离作为相似性度量,定义两个点集上的最大/小距离.以Hausdorff CANNY边缘检测算子在求得边缘位置信息同时获得边缘像素点方向信息.并通过CANNY算子提取边缘信息作为匹配特征,利用Hausdorff距离模板匹配,在距离变换空间内实现目标匹配定位.     

一种基于Rough 集与SVM的目标识别方法

主要研究了基于粗糙集和支持向量机的模式分类技术,结合遥感图像中军用飞机目标识别进行了理论分析和实验研究。基于粗糙集和支持向量机算法的优势,设计了基于粗糙集和决策有向无环图的支持向量机模式识别分类器,对分类的性能进行了分析研究,利用粗糙集理论中属性约简方法去除冗余属性,降低飞机特征维数,提出使用决策有向无环图支持向量机进行训练并对待识别目标预测。     

利用改进单分类支持向量机提升舰船尾流目标的检测准确率

舰船在航行过程中会在尾部产生一段包含大量气泡的湍流区域,通过对尾流的声学检测可以有效地跟踪船舶。基于一种改进单分类支持向量机（OCSVM）算法,利用无尾流情况下回波信号作为训练集的一个最优分类器,用于尾流回波信号模式判断。对回波信号进行降噪处理,进而提出一种自适应特征提取方法对回波信号进行处理;将特征提取作为输入,使用两层决策边界的双阈值OCSVM算法进行尾流检测。仿真结果表明,与常规OCSVM算法相比,改进算法在不同信噪比下的检测准确率均有提升,检测准确率最高可达96.27%,具有较好的工程应用价值。     

基于边界链码的飞机目标检测方法

为有效区分天空背景下飞机目标的边界信息与纹理带入的噪声信息,完成飞机目标检测任务,对基于边界链码的飞机目标检测方法进行研究.分析作为典型人造刚体的飞机目标所具有的特性,利用Canny算法对图像进行边缘检测后,引入边界链码对获取的边缘进行建模;利用形态学修复对边缘的裂缝进行连接,通过滤除短边、验证封闭性及剪枝对边缘进行初步筛选与处理;提取边缘的直线段分量及角度跳变分量特征,构造并训练基于支持向量机的分类器,完成视频序列中边缘的分类,最终获取飞机目标的确切边缘.试验结果表明:该方法在确保分类器训练集大小的情况下,能够有效获取飞机目标的精确边缘,目标检测准确率达到96％,具有较高的工程应用价值.     

基于支持向量机的模拟电路故障诊断方法

支持向量机（Support Vector Machines,SVM）故障分类器,在不易取得训练样本的情况下,实现较高准确率的故障诊断,并且具有较强的通用性和实用性。提出三种支持向量多类分类器（一对一算法、一对多算法,以及改进型一对多算法）,通过将其应用到实际电路进行故障诊断当中对其性能进行比较,得出串行支持向量机无论在分类速度上还是在分类精度上都好于其它两种方法,核函数的选择对故障诊断的性能也存在着一定的影响。     

改进的离散小波-优化极限学习机在倾转旋翼机故障诊断中的应用

针对倾转旋翼机飞控系统的故障诊断问题,提出一种改进的离散小波-优化极限学习机（OMELM）的故障诊断算法。提出自适应启发式小波去噪方法对采集的信号进行消噪,定义了帕塞瓦尔能量用来提取测量信号经离散小波变换分解后的特征,并对OMELM进行了改进。将提取的故障能量特征进行归一化后输入到改进的OMELM多分类器中进行分类,以美国XV-15倾转旋翼机为例进行仿真验证。结果表明文中方法平均辨识率高,诊断时间短,对未来我国进行倾转旋翼机故障诊断的研究有一定参考价值。     

人脸识别常用方法及其发展现状

人脸识别的研究历史分为人脸面部特征人工识别、人脸人机交互识别、人脸机器自动识别3个阶段.人脸识别系统包括人脸特征检测与分割、人脸特征规范化、人脸表征和人脸识别4部分.根据表征方式的不同,人脸识别方法有:基于层次聚类的几何特征矢量模式识别法、基于代数特征矢量的特征矢量识别法、基于神经网络的人脸特征提取和分类器设计法.并详述了代数特征矢量法中经典的特征脸法的识别过程.近年国外采用小波分析的变换特征识别法,利用模式识别的最佳分割超平面分类识别法等是当前研究热点.     

基于多目标蚁群优化的单类支持向量机相似重复记录检测

为解决数据源中相似重复记录样本稀少问题,提出一种基于多目标蚁群优化的单类支持向量机相似重复记录分类检测方法。根据记录对中2条记录是否相似,将相似重复记录检测建模为二分类问题,用单类支持向量机进行分类,并且只用不相似重复记录样本对进行训练;选择合适的属性相似度函数计算记录对之间的相似特征向量,将其作为单类支持向量机分类器的输入进行二分类检测;建立以查准率、查全率、特征数量综合最优为目标的多目标特征选择模型,结合训练样本为单类样本的特点,将启发式因子定义为类内散度最小化约束,设计了求解模型的多目标蚁群算法。通过将单类支持向量机算法和支持向量域描述算法、传统二分类支持向量机算法进行对比,结果验证了单类支持向量机算法的有效性和优越性。     

基于SVD和SVM的核素识别算法

针对基于寻峰方法的 γ能谱识别方法对高本底、低探测率的复杂 γ能谱解析特征不显著、准确率低等问题,提出一种基于奇异值分解和支持向量机的核素识别算法.通过将1维能谱变换为2维图像,使用奇异值分解提取特征向量,将其作为支持向量机的输入构建分类器.实验结果表明:该方法对典型核素的识别率达到98%,并且能识别混合核素样本的组成成分.该方法降低了对探测器精度要求和参数设定的影响,提高了混合核素的识别能力.     

基于粒子群优化极限学习机的雷达识别方法

针对相控阵雷达识别的问题,提出一种基于粒子群优化极限学习机(PSO-KELM)的识别方法.在核函数极限学习机(kernel extreme learning machine,KELM)的基础上,引入粒子群优化算法(particle swarm optimization,PSO),求得核函数参数最优解,提高相控阵雷达识别准确率.通过构建雷达数据库,使用粒子群优化极限学习机的方法对不同噪声情况下的雷达数据进行识别,并与核函数极限学习机、核函数支持向量机(kernel support vector machine,KSVM)和半监督式迁移学习(semi-supervised and transfer learning,SSTL)的方法进行对比.仿真结果表明:在不同雷达种类和不同噪声情况下,该方法识别准确率均高于其他方法.