机载雷达和红外数据融合的智能目标识别

为了提高机载传感器目标识别系统的性能,提出了利用机载雷达和红外成像传感器数据融合的智能目标识别算法.对红外成像传感器,采用了基于小波矩特征和BP神经网络的目标识别算法,首先提取目标图像的小波矩特征并进行特征选择,然后通过BP神经网络对目标图像进行识别;对雷达传感器,提出了利用模糊推理的目标识别方法,首先选取适当的雷达特征,然后通过模糊推理进行识别:从雷达和红外传感器识别算法分别得到待识别目标所属类别的基本概率分配函数,用D-S证据组合规则将两个基本概率分配函数组合,最终实现了机载雷达和红外传感器的数据融合.仿真结果表明:融合后的识别效果优于单个雷达或红外传感器的识别效果.     

基于红外多光谱图像相关性的自动目标识别算法

提出了一种基于红外多光谱图像相关性的自动目标识别新算法．根据目标、背景和干扰物的红外多光谱特征信息(辐射强度、光谱分布)构造出目标场景的红外多光谱特征矩阵；采用最大距离法分割图像，融合空间和光谱信息重构出研判目标的红外多光谱特征矩阵；根据研判目标的光谱辐射差异特性建立了红外多光谱图像相关识别准则．实验表明，该识别算法正确可行．     

基于激光雷达与红外图像融合的车辆目标识别算法

为了提高车辆目标在不同测试条件下的识别效率,降低系统的漏检率和误检率,提出了一种基于激光雷达与红外图像融合的车辆目标识别算法。该算法利用目标原点矩参量表征目标的红外特征,用匹配相似度表征目标的点云特征,再经过轴系对齐和尺度变换实现图像融合。实验采用激光雷达与红外同轴光路获取的两类数据进行图像融合,再利用目标匹配阈值进行迭代筛选,最终识别车辆目标。对比了1帧、20帧和40帧图像中具有不同属性的车辆目标识别效果,结果显示,本算法输出的目标识别区域正确适当。在1000帧图像的多种测试条件的实验中,本算法的漏检率均小于100,误检率均小于50,明显优于传统的距离向数据分类法和光谱分类法,验证了其具有较好的鲁棒性。     

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.     

结合最近邻图模型的稀疏ISAR成像方法

逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）稀疏成像方法可提供图像对比度高、旁瓣干扰少的成像结果 .稀疏成像以场景或目标散射率分布具有稀疏性为前提,待成像目标场景的稀疏特性决定了最终成像质量. ISAR目标场景的自然稀疏特性着重刻画点状特征,变换域稀疏表示可增强目标图像的纹理等通用特征.通过学习获得的稀疏变换字典,可自适应于待成像的ISAR目标场景,找到面向ISAR目标图像块的特有稀疏表示.但是,图像块的特有稀疏表示中忽略了待成像目标场景中目标的几何特征信息.最近邻图模型可建立给定数据的几何特征描述算子,刻画出给定数据的几何特征信息.本文利用最近邻图模型来刻画待成像目标场景中目标的几何特征信息,并映射到待成像目标场景的特有稀疏表示中;提出结合最近邻图模型的ISAR稀疏成像方法,用于不同类别实测ISAR数据成像.相比已有的ISAR稀疏成像方法,所提成像方法可获得目标轮廓更清晰的成像结果,成像所需时间平均减少10.4%.     

基于最大Gabor相似度的多光谱人脸识别系统

以精准识别不同特征维数以及噪声情况下的多光谱人脸为目标,设计基于最大Gabor相似度的多光谱人脸识别系统。原始可见光光谱图像以及热红外光谱图像分别输入系统的可见光光谱图像处理模块以及热红外光谱图像处理模块,图像处理模块分别提取原始可见光光谱图像以及热红外光谱图像特征并建立特征集,多光谱图像融合模块基于特征集内特征利用双匹配度图像策略融合多光谱图像,利用融合后图像建立人脸数据库,将待识别人脸图像输入人脸识别模块,人脸识别模块利用人脸数据库通过最大Gabor相似度的人脸识别方法识别人脸,并输出识别结果。系统测试结果表明,不同特征维数图像以及加入椒盐噪声情况下,系统均具有较高的识别准确率。     

InP/InGaAs探测器对伪装目标成像研究

高性能InP/InGaAs宽光谱探测器将前截止波长延伸到0.9mm之前,实现可见/短波双波段探测,大大丰富了探测目标的信息量,提高对目标的识别率。本文采用InP/InGaAs宽光谱探测器相机,通过设置一系列伪装实验,对比不同伪装目标的可见光波图像与短波红外图像的差异,重点探究短波红外对伪装目标的识别特性。通过实验结果发现:短波红外对一定厚度塑料、硅胶、皮肤具有穿透性;颜料、染料等同色不同材质的物体对短波红外具有选择性吸收,基于以上特性,短波红外体现了较好的伪装识别效果。在成像对比实验的基础上,进一步选择伪装效果对可见光和短波红外具有明显差异的实验样品,分别测量了它们对短波红外和可见光的反射率等参数,以深入地分析和理解短波红外识别伪装的机理。     

基于筛选深度特征的红外图像目标识别方法

红外成像是现代战场侦察的重要手段,基于红外图像的目标识别技术可为情报解译提供重要支撑。针对红外图像目标识别,提出基于筛选深度特征的方法。设计适当结构的ResNet对红外图像进行特征学习,对于每个卷积层的输出特征图进行矢量化处理,获得相应的特征矢量。针对各个特征图的深度特征矢量,基于斯皮尔曼等级相关系数评价它们与原始图像的相关性。然后,通过门限判决算法选取若干具有高相关性的深度特征。经过筛选得到的深度特征可剔除了不必要的冗余成分,从而提升后续分类的精度和稳健性。采用联合稀疏表示模型对筛选得到的若干深度特征进行表征和分类,最终获取待识别样本的所属类别。因此,方法可有效结合ResNet多层次深度特征的鉴别力,从而提高最终的识别性能。实验在公开的中波红外目标图像数据集（MWIR）开展,利用原始测试样本、模拟噪声样本和模拟遮挡样本对方法性能进行测试和分析。实验结果表明:相比现有的部分红外目标识别方法,提出方法可取得更强的有效性和稳健性。     

基于成像光谱技术的主动段弹道目标检测与识别方法

弹道目标检测与识别问题是天基红外预警系统的核心难题之一。针对主动段弹道目标的检测和识别问题,分析了传统的基于空间和时间特征信息的弹道目标检测与识别方法。利用目标辐射空间与光谱的一致性,提出一种基于成像光谱技术的主动段弹道目标检测与识别方法,将空域目标检测和谱域目标识别两个环节进行联合处理。实验证明,该方法应用于复杂背景下低信噪比的红外弱小目标图像序列能得到较理想的结果,算法检测概率高、虚警概率低、具有较强的实时性。     

基于区域生长的前视红外图像分割方法

红外成像制导技术以其优越的性能成为当今精确制导技术发展的主流。红外图像的精确分割是实现目标识别的基础。针对地面目标前视红外图像的特点和成像制导技术中图像分割的目的,提出了一种基于区域生长的前视红外图像分割算法,它首先在全局阈值分割的基础上选择出种子点所在区域,并在区域中定义局部灰度信息统计准则和策略选取出种子点;然后以目标模板面积作为参考,通过对分割效果的判断自动调整生长阈值进行区域生长以得到分割图像。实验结果表明,本方法分割出的目标完整准确,分割结果对基于边缘特征的目标匹配识别非常有利。     

基于图像绘制技术的红外场景模拟

红外场景模拟可为目标识别、跟踪提供必要的图像样本,对算法的训练、评估和可靠性检验具有十分重要的意义,基于建模的红外模拟方法不一定反映场景的客观情况,并且,计算量大、耗时,难于模拟出有真实感的红外图像。基于图像绘制技术,提出无需建模的基于图像的绘制方法来模拟红外场景图像,根据红外图像的特点,给出了计算基本矩阵的非线性迭代算法和基于特征约束的动态规划立体匹配算法。由于参考图集是实际图像,因此,模拟图像更符合景物的真实情况,并且,该方法无需很复杂的建模过程,利于实时模拟。实验结果表明,该方法可有效地模拟出真实感的红外图像。     

一种多光谱红外舰船目标融合检测方法

针对复杂岸岛背景下的红外舰船目标检测问题,提出了一种多光谱融合红外舰船目标检测方法。首先根据不同谱段信息相互间的关系进行基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform, NSCT)域的多级多光谱图像融合,然后利用LSD线段检测和聚类对融合后的图像进行岸岛线检测。采用选择性搜索算法生成初始目标候选区域,然后结合岸岛线空间位置以及舰船目标的几何特征和灰度特征约束剔除部分虚假目标区域,最后提取候选区域的方向梯度直方图(Histogram of Oriented Gradient, HOG)特征算子。利用线性支持向量机(Support Vector Machine, SVM)分类器进行分类识别,以检测出真实舰船目标。实验结果表明,与单谱段红外舰船目标检测方法相比,本文方法在检测精度上有较大提升。     

基于LGBM的Zernike特征选取及红外图像目标识别方法

红外传感技术有效解决了夜间观测的难题,成为现代战场侦察的重要手段之一。不断提升基于红外图像的目标识别能力是实施精确打击、态势感知的有力途径。针对红外图像识别问题,提出基于轻量级梯度提升机（Light Gradient Boosting Machine, LGBM）的Zernike特征选取算法,并结合稀疏表示分类器（Sparse Representation-based Classification, SRC）完成目标类别确认。首先,基于红外图像中的目标区域提取多阶Zernike矩特征,表征待识别目标的本质特性;其次,采用LGBM特征选择算法对多阶矩特征进行二次筛选,减少冗余的同时提高特征的针对性;最后,基于SRC对最终选择的Zernike矩特征矢量进行分类。该方法通过LGBM的特征选择有效提高了最终特征的有效性,同时降低了分类的计算复杂度,有利于提高整体识别性能。采用公开的中波红外目标图像数据集（MWIR）开展验证实验,对10类典型军事目标进行区分识别。实验分别在原始样本、噪声干扰样本以及部分缺失样本三种条件下进行并与几类现有红外目标识别方法进行对比讨论。结果表明:所提方法可取得更优性能,证明其有效性。     

基于时空推理网络的空中红外目标抗干扰识别算法

复杂空战背景下的抗红外诱饵干扰技术是红外空空导弹的核心技术之一。针对传统静态贝叶斯网络不能表达序列图像中特征变量在时序上动态变化关系,提出了一种符合人类视觉推理识别过程的时空关联推理网络抗干扰识别算法。首先,提出的时空关联推理网络在考虑特征空间约束关系的基础上,引入了特征变量时间约束的先验知识,建立表达特征时空关联的目标推理网络识别模型,从而增强了序列图像目标识别的稳定性;其次,通过仿真数据构建样本集,离线训练学习时空关联推理网络结构及特征跳转概率参数,确定概率推理网络识别离线模型;最后,依据测试数据,结合推理识别网络模型进行概率推理,实现对目标的识别分类。实验结果表明,在伴随红外诱饵干扰投放的条件下,基于时空关联推理网络的抗干扰识别率达到94%,比静态贝叶斯网络抗干扰识别算法高3%,有效提升了目标识别的稳定性。     

改进高帽变换的红外目标增强和提取算法

红外图像增强及其目标提取是军事航空航天领域和国民经济发展的一项至关重要的技术。针对红外图像对比度低、特征信息不明确、杂波严重、信噪比低、视觉效果模糊的问题,对形态学中传统的高帽变换算法进行优化,提出了基于改进高帽变换的红外目标增强和提取算法。该算法通过引进判断值和加权系数,对高帽变换进行改进,对红外小目标进行增强,利用迭代算法对图像阈值进行处理,进而实现小目标的提取。实验结果表明,提出的算法可以很好地增强红外图像视觉效果,有效的提取红外小目标,方便后续的目标识别和目标跟踪等,应用前景广泛。     

基于线性解混的高光谱图像目标检测研究

高光谱图像的空间分辨率普遍较低，导致混合像元大量存在，为目标检测带来了一定困难。为了实现复杂背景下的高光谱图像目标检测，提出了一种去端元的目标检测方法。在光谱解混技术的基础上，建立了复杂背景下的光谱混合模型并加以改进，采用多次去端元的方法，取得了简化背景之后的高光谱图像。结果表明，与传统的RX目标检测算法相比，所提出的算法能够显著提升目标检测效果。在实际的军事运用中，为大尺幅图像的目标识别和揭露伪装提供了思路。     

高阶分形特征在目标特征提取中的应用

将分形理论用于空中人造目标红外图像的分析，提取出用于区分目标和干扰物的新的分形特征的缝隙特征，实验证明，此特征与传统特征相比具有较好和几何不变性，是一种较可靠的识别特征。     

基于偏振成像的红外图像增强

针对红外图像对比度低,细节纹理较弱的特点,利用物体偏振特性提出基于偏振成像的红外图像增强方法,即获取红外偏振度图像并与源光强图像融合。首先,分析了偏振成像理论,利用偏振成像技术获取偏振图像。其次,为了能够充分获取偏振度图中的信息,运用剪切波变换对图像进行多尺度分解。最后,采用区域特征匹配融合策略,得到增强图像。为测试方法的有效性,搭建实验装置,进行实拍图像实验。主观与客观评价结果均表明,增强后的图像较原图像具有更加丰富的图像细节与偏振目标信息,对目标识别与探测具有重要意义。