基于组合矩的激光雷达距离像目标识别

激光成像雷达距离像与目标表面物理结构特性密切相关,体现目标的本质特征,是目标识别的主要研究方向。采用组合矩的神经网络方法进行了相干激光雷达距离像目标识别仿真研究。用Hu不变矩和仿射不变矩两者的低阶矩组合表示距离像目标区域特征,利用反向传播(BP)神经网络识别不同方位角的车辆。当视场角不变时,训练10个目标,每个目标取3～19个样本,在不同载噪比(CNR)情况下,分析Hu不变矩、仿射不变矩和两者组合矩的识别率。理论分析和仿真实验表明利用组合不变矩进行距离像目标识别性能优于单独利用其中一种不变矩。     

基于不变距的舰船目标识别

通过对Hu不变矩和仿射不变矩原理的分析,得知不变距特征在图像平移、伸缩、旋转时均保持不变.分析了舰船红外图像的特点,结合Hu不变矩和仿射不变距原理,以大量外场试验数据为基础,对转向的舰船进行了识别研究.从仿真实验得到的大量数据中,发现舰船在转向过程中仍然能很好的识别.     

基于区域矩的舰船图像目标特征融合方法研究

为了增强特征对图像目标的描述能力,一类重要的方法是将不同类型的特征融合。面向舰船图像目标识别,研究了基于区域矩的特征融合方法。区域矩不是计算原始图像像素的矩,而是计算图像特征的矩,具体是首先设计合适的目标特征,然后利用中心矩、Hu氏不变矩和径向矩实现特征融合,并基于KNN分类实现目标识别。仿真实验表明,与区域协方差相比,区域矩可以更好地融合舰船可见光图像或红外图像的目标特征,而且没有随机初始化问题,所以实用性和有效性更高。     

基于组合不变矩特征的空中目标识别方法

根据NMI特征和Jan Flusser提出的仿射不变矩各自的特点和适用条件,提出了一种组合不变矩.利用组合不变矩提取图像的不变特征向量,并结合Fisher线性判别准则,实现了对空中目标的Fisher线性判别器(FLDA)的分类识别.同时,考虑到识别的快速性方面,对FLDA进行了改进,提出了主分量分析(PCA)与FLDA相结合的识别算法.仿真实验结果表明,该方法具有较高的识别精度和速度.     

飞机红外图像的目标识别及姿态判断

飞机红外图像的自动目标识别(ATR)是红外探测与成像制导技术中的重要研究内容之一.首先分析了飞机红外图像的特点,然后结合Hu不变矩和仿射不变矩,提出了一组有利于目标特点提取的特征量和自动识别算法,并建立了飞机红外图像的姿态库.通过对若干飞机图片和干扰图片进行飞机目标识别和姿态判断,验证了该方法的有效性.     

基于时频变换的弹道目标微多普勒特征提取

微多普勒特征是识别弹道目标的重要手段.文中从空间弹道导弹和诱饵散射点微动模型出发,提出了一种基于时频二维像不变矩的微多普勒特征提取方法.该方法首先对导弹和诱饵进行时频变换,然后提取了图像中的7个Hu不变矩作为目标识别的特征.通过仿真实验,分析了特征组合对识别效果的影响,并提出了最优特征组合.文中还评估了特征矢量在不同信噪比条件下的稳定性,试验结果表明,时频像不变矩特征对信噪比变化具有一定的稳定性.     

一种基于组合矩和小波变换的目标匹配算法

不变矩方法是一种经典的特征提取方法.文中针对纹理细节信息较少的特定目标,首先在七个不变矩的基础上构建了组合矩.该组合矩具有旋转、平移、比例不变性和良好的类间可分离性,大大降低了算法的复杂性、提高了抗干扰能力.为了进一步提高匹配速度,引入多分辨率小波分解,利用低频系数来计算图像的组合矩特征量进行模板匹配.实验表明,对于细节信息较少的目标,该方法是一种具有较高实时性和鲁棒性的目标匹配算法.     

小波不变矩的低空风切变识别

针对微下击暴流、低空急流、顺逆风以及侧风低空风切变样本图像间的形状特性关系,主要研究了小波不变矩的特征提取技术在风切变识别中的应用.首先,采用基于三次B样条的小波不变矩提取风切变图像的形状特征.然后,将提取的特征通过Fisher线性判别分析(LDA)降低维数,实现风切变有效特征的提取.最后,采用三阶近邻分类器分类识别四种低空风切变.实验结果表明,该算法与应用Hu矩和Zernike矩特征进行分类识别相比,识别结果更加稳定,且平均识别率得到了较大提高,能够有效用于风切变图像的类型识别中.     

SAR图像目标识别新方法

提出一种SAR图像目标识别新方法。首次引入BM3D方法,用于滤除原始图像中的相干斑噪声,BM3D结合了空间域和变换域去噪的优势,滤波性能优异。在特征提取步骤,将低阶Hu矩与高阶Zernike矩组合,Hu矩描述目标的粗略信息,高阶Zernike矩描述目标的细节信息,因此组合矩能够更加全面而细致地表达目标特性。使用组合矩特征训练SVM分类器,对含噪的SAR图像进行识别实验。实验结果表明:本文方法的识别率高达98.90%,优于已有的SAR目标识别方法。     

基于小波结构矩的图像识别算法

提出了一种基于小波结构矩的具有平移、旋转、缩放不变性的新型图像识别方法.小波结构矩是在小波矩的基础上通过改变图像函数的结构即几何矩的密度得到的.该算法结合了小波和结构矩的优点,不但实现了对图像特征的精细把握还增大了相似图像之间的距离.采用三次样条函数作为母小波,有效提取了图像的全局特征和局部特征.实验证明,小波结构矩比改进的Hu矩和结构矩具有更高的识别率,目前该算法已经成功运用到全自动金丝球焊机图像识别系统.     

中远距离舰船目标识别方法研究

分析了中远距离舰船目标的特点和对其进行识别的重要性,提出了一种新的舰船目标识别算法。该算法采用基于曲线进化的方法提取目标的骨架,通过计算目标骨架扩展的Hu不变矩提取目标特征,最后选用支持向量机作为分类器,并用创建的舰船目标的模型对分类器进行训练,利用训练好的分类器对实际获取的目标的红外图像进行分类识别。实验结果表明算法的识别率较高,鲁棒性较好。     

一种有效的遥感图像目标识别方法

本文提出了一种基于矩不变量和支持矢量机对遥感图像中的目标进行识别的方法，该方法提取目标七个Ｈｕ矩不变量作为特征矢量，应用支撑矢量机方法对其进行分类识别，结果表明，这一方法对仅含有目标和背景的遥感图像具有很好的分类识别结果。此外，我们发现对于不同的图像，其二值化取值范围对识别结果有着直接的影响。     

应用支持向量机分类的多角度目标识别技术

综合应用图像的不变矩特征和支持向量机分类方法,提出了一种对于红外图像中多角度目标的识别方法。首先通过目标分割算法求得红外图像中目标的轮廓图像,然后从轮廓图像的Hu矩、Zernike矩和Fourier-Mellin矩中选取适当阶次的矩特征组成目标在特定视角范围内的不变性特征向量;对目标的视角范围进行适当划分以解决多角度引起的目标样本多样性,并在每个划分的视角范围内分别应用支持向量机的方法进行多目标分类。测试结果表明,本文提出的方法较好地实现了红外图像中多角度目标的识别问题,是一种有效的自动目标识别算法。     

小波变换在目标识别中的应用

利用小波变换具有易于消除噪声、运算方便、能够体现图像特征等优点,研究了基于小波变换的目标识别方法.首先采用二次B样条小波滤波器组对样本图像进行小波变换,提取多尺度边缘,然后提取不变矩,以此作为图像的特征向量,最后应用小波神经网络进行分类识别.计算机仿真实验表明,该方法取得了较好的识别效果.     

仿射不变三角形在红外目标识别中的应用

红外目标识别主要存在以下两个问题：一是红外成像比较模糊,难以提取不变特征;二是红外图像信息含量小,不易发掘有效的描述方法。针对上述问题,提出了一种基于曲率尺度空间(Curvature Scale Space,CSS)角点的仿射不变三角形的检测方法,并利用优选参数的多尺度自卷积(Multi-scale Autoconvolution,MSA)对提取的三角形区域进行描述,最后进行特征匹配实现红外目标识别。实验表明：与其他方法比较,在各种图像变换中,本文方法对红外目标的识别优势显著。     

基于双正交小波变换的矩不变量

寻找相对于尺度、平移、旋转不变的小波不变量是多尺度分析在模式识别中的关键问题.矩是一种理论和应用上比较成熟的方法,本文将矩与多尺度小波分解的近似系数联系起来,利用空间基函数的双正交性推导得到了双正交小波矩不变量,并用实验验证了结果的正确性.同时以Haar小波为例对结论中的限制条件进行了理论分析和实验验证,结果表明可以计算高于平滑阶数的小波矩,且计算精度符合要求.由此获得了比较完善的理论和实验结果,最后指出了它在实际应用中所需注意的问题.     

基于提升小波的矩不变量车牌字符识别方法

车牌识别系统的关键在于字符的识别,而字符识别的核心是字符特征的提取。小波变换可以获取字符的细节结构特征,而不变矩能很好地对其进行描述,故将两者结合起来提取字符的特征;同时利用张量积小波分解的高频子图具有方向性的特点,提取字符的笔画特征,最终得到反映字符结构和统计特征的联和特征向量,并且字符图像的分解采用第二代提升小波算法进一步降低了计算复杂性。实验结果表明,此方法提取得到的联合特征向量能够取得98%的字符综合识别率,可以满足实际应用的要求。