基于判别矢量子空间的雷达目标距离剖面像识别

提出了一种基于判别矢量子空间的雷达目标距离剖面像识别方法。判别矢量子空间一方面在分析意义上是较优的,同时该子空间的维数不受目标类别数限制,从而能够提取更有效的目标分类特征,改善目标正确识别率。仿真实验结果表明：该方法识别率高于特征图像方法和正则子空间法。     

一种利用相位信息的雷达目标成像识别方法

高距离分辨雷达（ＨＲＲ）的回波中蕴含丰富的目标信息,充分利用目标回波并采用恰当的特征抽取方法,可以有交地识别目标。本文提出一种利用相位信息和正则变换的目标识别方法。该方法基于雷达目标距离剖面像的幅度和相位矢量（幅相矢量）,首先由各训练目标在不同方位瓷态角时的幅相衡量构成综合矩阵并对之作正则变换建立正则子空间,然后奖每类训练目标各方位姿态的幅相矢量向该子空间投影形成子像,取其平均结果作为该目标的库特     

一种利用相位信息的雷达目标成像识别方法

高距离分辨雷达(HRR)的回波中蕴含丰富的目标信息,充分利用目标回波并采用恰当的特征抽取方法,可以有效地识别目标。本文提出一种利用相位信息和正则变换的目标识别方法。该方法基于雷达目标距离剖面像的幅度和相位矢量(幅相矢量),首先由各训练目标在不同方位姿态角时的幅相矢量构成综合矩阵并对之作正则变换建立正则子空间,然后将每类训练目标各方位姿态的幅相矢量向该子空间投影形成子像,取其平均结果作为该目标的库特征矢量。对未知目标,以其子像对库矢量的欧氏距离最小为分类准则,进行了识别模拟实验。     

基于子空间的3D目标识别和姿态估计方法

提出一种基于子空间的3D目标识别方法。该方法对3D目标进行事先的训练学习,采集目标可能出现时的图像,提取场景中目标的主要特征成分,建立所有目标样本图像和每个目标样本图像对应的两类特征子空间,分别用来确定目标类型和姿态。当输入一幅未知的待识别目标样像,识别系统将其分别向两类特征空间投影,根据它在两类特征子空间中的投影位置并参照目标特征的分布规律识别目标类型和姿态。实验证明,该方法具备对目标多种姿态图像畸变的鲁棒性,对光照变化也有很好的抑制作用,取得良好的目标识别效果。     

基于多特征空间的三维目标离面旋转识别

基于识别目标真假和空间位置的需要,将180幅训练图像分成了4个训练集,分别计算每个训练集的特征向量,分析结果表明每个训练集可以用3个特征向量来表示,这样用12个特征向量就可以建立目标的4个特征空间,使目标分解与重构过程大大简化。利用待识别目标向量与重构向量之间的关系,不仅可以判别目标的真假,还可以确定目标所在的空间位置。模拟结果表明,提出的目标多特征空间的建立方法和目标识别准则是有效的,能够实现离面旋转条件下三维目标真假和空间位置的识别。     

子空间法雷达目标一维像识别研究

基于高分辨一维像,研究特征子空间法和正则子空间法在雷达目标识别中的应用。针对一维像敏感于目标姿态变化的特点,提出一种子空间串识别法,将所有姿态范围划分为一定数量的模区,在每模区建立各类目标的子空间。对未知目标,所处模区由雷达测定后,其一维像映射到该模区各类目标的特征子空间进行识别分类一单模区搜索准则。模拟和实测数据实验表明所提出方法是有效的。     

基于子空间半监督学习线性判别方法的目标跟踪技术研究

文中提出一种基于半监督学习的线性判别方法用于目标跟踪。首先,根据少量的目标图像和背景图像样本,利用增量线性判别分析在子空间中找到最大化标记样本分类间隔的分类面;然后在当前帧采样,获得大量未标记的图像样本并投影到子空间中,通过半监督学习修正分类面,在这些候选目标中找到离目标最近、离背景最远的作为目标在当前帧的状态估计;最后,在分类结果中挑选置信度高的目标图像和背景图像样本加入到训练集中,删除训练集中置信度低的目标图像和背景图像样本,并更新投影子空间的基。实验结果表明,所提方法可以很好地适应目标的各种变化,并获得比基于监督学习方法更好的效果。     

基于支持向量域描述的雷达地面目标鉴别技术

在高分辨一维距离像目标识别中,有效的对库内目标特征空间进行描述,并且对库外目标进行鉴别是一个关键问题.本文提出了一种基于非均匀特征向量分布的目标鉴别器设计方法,该方法利用训练特征空间的协方差分布情况,选择库内协方差较小,即样本密度较大的区域进行细致描述,有效克服了训练样本分布非均匀造成的特征空间描述偏差,进而保证对库内...     

目标识别决策层融合神经网络算法研究

该文针对毫米波／红外传感器融合目标识别问题,提出一种新的用于决策层目标识别的神经网络融合算法。该网络结构新颖,网络训练时修改的是门限而不是连接权值,融合后的识别率可比毫米波和红外子源提高９．７％和１１．３％,因此该算法是有效可行的。     

目标识别决策层融合神经网络算法研究

该文针对毫米波／红外传感器融合目标识别问题,提出一种新的用于决策层目标识别的神经网络融合算法。该网络结构新颖,网络训练时修改的是门限而不是连接权值。融合后的识别率可比毫米波和红外子源提高9.7％到11.3％,因此,该算法是有效可行的。     

模糊聚类和模糊模式识别在目标识别中的应用

提出了一种模糊聚类和模糊模式识别相结合的目标识别方法,并成功应用于海上舰船识别分类;同时引入聚类分析有效性评价的F统计量,实现了模糊聚类的自适应性,避免了聚类数目选取上存在的主观性.对于给定特征的海上舰船目标,仿真实现了对目标的聚类分析,获得目标的分类并形成标准模型库,并通过模糊模式识别对后继获得的目标特征样本在标准模型库中进行匹配,应用最大贴近度原则完成目标识别.仿真结果表明:对于复杂的战场环境,两种方法的结合是可行和有效的,可以满足战时实时性和准确性的要求,具有一定的应用前景.     

基于支持向量机的多特征目标抗干扰检测技术

针对箔条干扰时目标与干扰难以区分的问题,设计了一种基于多特征向量的分类算法.该算法首先对目标和箔条的特征进行分析,而后选择并构造了一组具有较高区分度的极化特征识别量,最后采用支持向量机(SVM)方法,通过对特征样本进行训练,获得了较好的分类结果.实验表明,所提算法具有较强的抗箔条干扰能力,且检测正确率可达90%以上.     

Waveform selection in radar target classification

We apply a sequential experiment design procedure to the problem of signal selection for radar target classification. Radar waveforms are designed to discriminate between targets possessing a doubly spread reflectivity function that are observed in clutter. The waveforms minimize decision time by maximizing the discrimination information in the echo signal. Each waveform selected maximizes the Kullback-Leibler (1951) information number that measures the dissimilarity between the observed target and the alternative targets. We discuss in details two scenarios. In the first scenario, the target environment is assumed fixed during illumination. In this case, the optimal waveform selection strategy leads to a fixed library of waveforms. During actual classification, the sequence in which the waveforms are selected from the library is determined from the noise to clutter power in the range-Doppler support of the targets. In the second scenario, the target environment changes between pulse transmissions. In this case, the maximum discrimination information is obtained by a repeated transmission of a single waveform designed from the reflectivity function of the targets. We show that our choice of signals can produce significant gains in detection performance     

基于测量子集优化的雷达/ESM联合目标跟踪

针对雷达电子支援措施(ESM)主被动传感器的协同定位与目标跟踪,提出了基于测量子集优选的目标跟踪算法。该方法利用ESM方位角测量与雷达距离、方位测量组成的各测量子集对目标的定位精度分析,遴选出定位精度最高的测量子集定位结果作为雷达对目标跟踪的融合量测,在雷达的跟踪门内进行量测确认,之后按照联合数据互联的方法,对多目标当前状态进行估计。仿真实验显示,该方法是异地配置雷达/ESM协同目标跟踪的一种点迹级融合的有效方法。     

Real-time processing algorithms for target detection andclassification in hyperspectral imagery

The authors present a linearly constrained minimum variance (TCMV) beamforming approach to real time processing algorithms for target detection and classification in hyperspectral imagery. The only required knowledge for these LCMV-based algorithms is targets of interest. The idea is to design a finite impulse response (FIR) filter to pass through these targets using a set of linear constraints while also minimizing the variance resulting from unknown signal sources. Two particular LCMV-based target detectors, the constrained energy minimization (CEM) and the target-constrained interference-minimization filter (TCIMF), are presented. In order to expand the ability of the LCMV-based target detectors to classification, the LCMV approach is further generalized so that the targets can be detected and classified simultaneously. By taking advantage of the LCMV-based filter structure, the LCMV-based target detectors and classifiers can be implemented by a QR-decomposition and be processed line-by-line in real time. The experiments using HYDICE and AVIRIS data are conducted to demonstrate their real time implementation     

基于粗糙集的红外弱小目标检测方法

提出了利用粗糙集理论处理不完整信息的能力对红外弱小目标的运动轨迹进行辨识的检测方法。首先利用形态学滤波算法，分离出每帧图像中候选目标并提取其特征属性。把提取到的特征属性作为条件属性，把每帧图像中候选目标作为个体，构成知识决策系统。通过对决策表进行约简，得到决策系统的最小决策算法，并利用序列图像中目标运动的连续性和轨迹一致性来实现小目标的识别。实验表明，该方法能够有效解决目标跟踪过程中目标短暂丢失以及重现的问题，实现弱小目标的稳健检测和跟踪。     

基于高分辨率一维距离像雷达目标识别研究

基于一维距离像的目标识别是雷达目标识别的一种重要方法。本文利用最大相关系数法（MCC）和主分量分析方法（PCA）对目标一维距离像进行目标识别。针对一维距离像的目标姿态敏感性,分析了最大相关系数法和PCA特征提取方法的原理,并通过3种目标的实测数据进行分类实验,表明该算法的有效性。     

改进的YOLO模型及其在舰船目标识别中的应用

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO（You Only Look Once）模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。     

适用于组合特征识别的最近邻模糊分类器

在用多种特征进行简单的串联组合识别时,不同特征具有不同的特征类型和衡量尺寸,针对串联组合特征的这种特点,提出了一种最近邻模糊分类器.该分类器首先把待识别目标的组合特征与训练模板中的组合特征样本一一进行比较,从而得到了一个特征差矩阵.提出用模糊分布函数在同类特征差之间进行处理,生成一个隶属度矩阵,然后用算术平均法对隶属度矩阵进行处理,并用最大隶属度准则来进行分类判决.识别框架表明最近邻模糊分类器对组合特征中的各种不同特征的特征类型和衡量尺寸没有一致性要求,也无需对串联组合特征矢量做任何预处理.最后,用外场实测数据进行验证,结果表明,最近邻模糊分类器能够有效地解决多种特征串联组合的雷达目标识别问题.