基于激光视觉传感的渔船目标无人机低空识别研究

为了提高渔船目标无人机低空识别的准确率,提出基于激光视觉传感的渔船目标识别方法。采用阈值分割和角点定位标定渔船目标激光视觉传感图像的方位特征点;提取渔船目标的位置信息、速度信息、加速度信息、运动轨迹信息,建立渔船目标激光视觉传感图像的背景差分检测模型;通过帧动态检测和差分图像聚类,计算相邻目标质心的距离;根据参数估计和像素灰度值检测,结合目标方位估计,实现对渔船目标激光视觉传感图像的定位识别。结果表明,采用该方法能够有效识别渔船目标,目标方位识别准确性达到90.95%以上,提高了渔船目标无人机低空识别准确性。     

基于模糊聚类视区划分的SAR目标识别方法

 现有基于模板匹配的SAR目标识别技术,多通过姿态遍历来构建和存储基础模板库.为降低计算消耗和存储开销,借鉴计算机视觉中视区概念,提出了一种基于非均匀视区划分的模板库精简方法.结合关键特征矢量,基于Gustafson-Kessel(GK)算法对视区作模糊聚类,以识别概率最优控制视区划分策略并提炼原型模板.采用典型舰船目标的SAR仿真图像集,验证了方法在精简模板库、实现高效SAR自动目标识别方面具有可行性.     

基于机载下视图像的深度学习目标检测系统

利用无人机进行巡航、侦查及预警等是当前信息化战争的主要手段之一,无人机图像中关键目标的快速检测及准确识别是后续任务的基础。由于无人机图像具有分辨率高、目标尺寸小等特点,实际应用中往往对检测的时效性具有一定的要求,现有算法无法实现检测准确率与速度的有效折中。因此,提出一种全局与局部联合检测的策略,将深度学习目标检测算法与模板匹配相结合,充分利用图像信息,并综合使用多进程及多线程机制加快处理速度,构建了一套可用于地面站的实时目标检测系统。实验结果表明,针对运动状态下的无人机视频图像,系统对焦距从1～10倍距变化情况下的目标均具有较高的检测准确率,同时实现了检测结果实时稳定地显示。     

星载光电成像系统空间目标的检测与识别技术研究

针对星载光电成像系统的空间目标检测与识别技术,设计了一套数字信号处理器(DSP)结合现场可编程门阵列(FPGA)的图像处理系统,并提出了一种卫星目标检测与识别方法。在没有先验知识条件下,利用改进的图像差分法对具有星空背景的序列图像进行目标检测,再根据卫星与天然星体具有不同的边缘轮廓信息,通过最小距离分类器识别出卫星目标,获得卫星模板,从而可进行模板匹配以实现卫星的快速检测和识别。实验结果表明,提出的方法相对于传统方法,运算时间减少了15%~40%,满足星载光电成像系统对卫星目标检测与识别的准确性与实时性的要求,在工程实践中具有一定的应用价值。     

基于电磁特性SAR图像目标识别模板的建立

针对SAR图像目标识别过程中识别模板形成的缺点和难点,提出了基于电磁散射特性SAR图像目标识别模板的数学模型和成像原理。采用一种混合算法计算了复杂目标的雷达截面(RCS),由目标的散射系数σ或RCS值,通过宽带合成孔径原理求出物体散射特性的空间分布,建立了SAR图像目标识别模板。实验验证了其正确性、有效性,以及具有近实时性、目标姿态连续性和精确性等特点,为快速准确地获取SAR图像中的目标信息提供技术支持。     

复杂背景下运动小目标亚像元识别定位算法

文章从复杂背景下运动小目标成像特性与目标、背景关系出发，深入分析了此类目标识别定位的难点。综合目标区中值滤波和自适应二值化处理，将目标与背景和噪声分离。通过模板匹配，确定目标亚像元定位的计算区域。然后，基于优化的邻域像素插值方法计算运动小目标在图像中的精确坐标。针对目标实测图像序列，通过与形心算法和质心算法识别定位精度的比较实验，证明该复杂背景下运动小目标亚像元识别定位算法具有稳定、有效、高精度等优点，并为相关领域内目标识别定位算法提供了宝贵的借鉴价值。     

基于快速鲁棒性特征匹配的目标识别

针对基于特征匹配的目标识别算法复杂度高、难以实时处理的问题,提出基于快速鲁棒性特征(SURF)的快速特征匹配算法。通过应用双阈值顺序聚类算法对特征点进行聚类,并对每一个聚类建立k-d搜索树,采用优先搜索算法匹配模板与图像的特征点,提高了算法实时性。采用RANSAC鲁棒估计算法消除错误匹配点对,计算模板与图像平面之间的单应矩阵,进而实现对目标的准确识别定位。仿真实验证明了算法的有效性和实用性。     

基于边缘统计的简单背景多目标识别跟踪

提出了一种新型图像多目标识别跟踪算法,其突出特点为速度快、目标探测准确性高,并且可以同时对多个目标进行识别跟踪.整个系统包括图像预处理即目标增强,边界的目标识别即纵向、横向统计叠加和目标检测.传统的图像跟踪方式如模板相关匹配方法、梯度形心方法以及极值区域跟踪方法不能同时区分多个目标,遇到多目标和干扰等均会失效.文中提出的方法能够有效地解决这一问题,通过区分可能目标区域,能够在一定程度上抑制干扰并对多个目标进行实时跟踪.     

典型地面车辆目标SAR图像仿真与评估

典型地面车辆目标SAR图像仿真对SAR图像解译和目标识别具有重要意义。在光学区目标雷达散射截面仿真基础上,研究实现了典型地面车辆目标SAR图像仿真技术,给出了坦克目标的SAR图像仿真结果。在此基础上,进一步研究了SAR图像仿真性能评估技术,在目视定性评估的基础上,引入了两个面向SAR图像解译与目标识别的SAR图像仿真性能定量评估指标。最后,通过目标仿真SAR图像与MSTAR实测SAR图像的比对,对仿真性能进行了定性、定量的分析与评估,验证了方法的有效性。     

基于迁移学习SAE的无人机目标识别算法研究

无人机在复杂战场环境下,因敌我双方无人机外形、颜色等特征较为相似,如何准确地对敌方无人机识别是实现其自主导航及作战任务执行的关键。由于受敌方无人机飞行速度、形状、尺寸、姿态等的改变及气象环境因素的影响,无法准确地对其进行识别与分类。针对这一问题,提出基于迁移学习卷积稀疏自动编码器（Sparse Auto-Encoder,SAE）实现对航拍多帧图像中敌方目标对象的识别与分类。算法首先借助SAE对源领域数据集中大量无标记样本进行无监督学习,获取其局部特征;然后,采用池化层卷积神经网络（CNN）算法提取目标图像全局特征;最后,送入Softmax回归模型实现目标对象的识别与分类。实验结果表明:与传统非迁移学习的SAE算法及基于底层视觉特征学习的识别算法相比,该算法具有更高的准确性。     

空间瞬变光辐射目标定位方法

基于瞬变光辐射目标的时空特性,提出了一种基于模板的光辐射目标检测与定位方法.该方法采用加权平均法进行背景估计,并利用Robinson滤波器对残差图像进行二次滤波,有效降低了交叉投影法生成的模板数量.结合瞬变光辐射目标在空间上的局部特性和时间上的瞬时特性,对备选模板进行了多级假设检验.最后利用模板提取了目标区域,求得了目...     

基于Rough集的信息融合目标识别方法

研究了Rough集理论在基于不同谱段光学信息融合的目标识别系统中的应用技术,在介绍了目标知识表示方法的基础上,提出了用C均值算法实现连续信息离散化的方法,并通过决策表属性的约简来生成决策表,以实现对目标的识别。针对可见光、中／长波红外等三种不同谱段下的三种不同目标图像进行了实验,实验结果表明,该方法具有对先验知识获取的易实现性和对目标识别的有效性。     

前视红外系统中复杂背景下典型地物目标跟踪

前视红外系统主要处理复杂地物背景下的典型地面目标，如桥梁、机场跑道、大型建筑物等。跟踪地面背景较复杂的目标常用的是目标模板匹配的方法。而模板匹配相关跟踪的关键是对实时模板的更新及替换策略。针对前视目标跟踪问题，采用模板相关匹配的方法搜索目标；采用Kalman滤波的方法更新实时模板中的每个像素．以迭到更新实时模板的目的．采用Kalman滤波的方法校正跟踪结果坐标位置数据。为了减小运算量同时又不影响跟踪精度．采取了隔若干帧更新一次模板及跟踪位置数据的策略。仿真实验证明，跟踪效果较好。     

平面地标导引下的红外建筑物目标间接识别技术研究

在某些情况下,如目标处于远距离、目标 局部对比度低、目标被遮挡、目标区模式频繁出现等,采用 直接识别方法难以正确识别目标。为此,提出了一种基 于平面地标间接定位的典型地面建筑物目标识别方法。在地面准 备阶段进行地标选取以及参考图制备。在飞行阶段,用匹配算法 对地标进行自动捕获、识别和定位,然后利用地标与目标的空间约束关系,间接 定位包含目标的局部感兴趣区。当局部感兴趣区的对比度显著 时,启动最后阶段的基于形态学处理框架的直接识别操作。通 过仿真实验测试分析了该算法的适应性。     

基于优化概率神经网络和红外多光谱融合的大气层外空间弹道目标识别

针对大气层外空间弹道目标难识别的问题,该文利用红外多光谱数据融合的思想,提出一种基于粒子群优化概率神经网络(PNN)的大气层外空间弹道目标识别方法。该方法首先通过一种新的多色测温方法提取出弹道目标的温度变化率和有效辐射面积两类动态特征,然后利用高斯粒子群优化(GPSO)方法对PNN的平滑因子进行优化,最后利用优化的PNN完成4类典型空间目标的识别。该方法融合了多光谱信息并提取出了多个动态特征,具有较强的鲁棒性。另外,该方法充分利用了概率神经网络的较高的稳定性和样本容错能力。仿真实验给出了4类典型空间弹道目标的多光谱红外辐射强度序列数据,并进行了目标识别研究。仿真测试结果表明,提出的优化PNN网络对多个弹道目标具有良好的识别能力。     

车牌识别系统设计与实现

通过对车牌定位、车牌字符分割和车牌字符识别进行研究,提出了一种车牌识别系统的设计和实验方法。车牌定位模块中,提出了采用基于小波变换的车牌边缘提取和数学形态学相结合的方法定位出车牌,进行二值化、滤波后使用垂直投影法分割出车牌字符,最后使用多模板匹配和二次细分识别相结合的方法识别出车牌字符。经实验验证,基于该算法的车牌识别系统能够达到较高的车牌识别率。     

基于单目视觉的机械手三维定位

提出了一种利用单目视觉识别目标并且进行精确的三维定位,用于机械手对目标的精确定位.首先通过模板匹配的方法在图像中识别出目标并计算其中心坐标,然后分别在相同高度和水平的四个相隔一定距离的位置上采集目标图像,根据目标在图像中的位置变化,结合平行双目视觉原理与小孔成像的缩放比例关系,计算摄像头距离目标的深度距离.该系统易搭建、成本低,定位精度较高.     

基于ARG模型特征的目标阵列群识别方法

以往目标识别技术多针对独立目标。但事实上目标有时会以成群的方式出现，目标之间呈现出明显的有规则的阵列分布关系，即目标阵列群。针对该类目标群的识别问题．可以通过提取目标群中子目标之间的空间分布关系的规律与特征，来弥补子目标的其他特征的不确定性。提出一种可有效识别低分辨率环境下(遥感、红外、多光谱等图像中)具有规则阵列分布特征的斑点目标集合的方法。该方法使用ARG模型描述目标阵列群，将目标相互之间的空间分布关系(距离关系)与目标自身的简单属性相结合，通过寻找空间分布关系特征与自身属性的统计规律，即估计特征的联合概率密度分布，利用其分布特点识别目标阵列群。     

基于主成分分析与BP神经网络的识别方法研究

利用BP神经网络对红外目标进行识别之前,若不对原始样本数据进行预处理与特征提取,一方面使识别结果准确性降低,另一方面使BP神经网络的结构复杂化,采用主成分分析法可解决这些问题。主成分分析法能较好地提取表征样本的少数几个主分量,由该方法的特点可知,这几个主分量彼此不相关,非常符合特征优化的要求。研究结果表明,用该方法处理后的结果数据输入BP神经网络．提高了识别正确率,减少了训练时间,同时也简化了网络结构。将两种常见的模式识别方法结合用于红外目标识别：先由主成分分析法对原始样本数据进行精简处理,然后再由BP神经网络法进行分类识别,与传统的单一识别方法相比,准确度得到提高,计算量大为减少。     

基于TDOA的网络化定位系统自适应站点优选算法

网络化无源多点时差定位系统具有部署灵活、易于扩展及无电磁辐射等特点,特别适合航天发射场等大规模场所的部署,实现对低空机动目标的定位。但当网络站点数量较多时,对所有站点进行信号采集传输将造成大量能量及网络资源的浪费。针对不同站点数量和站点位置对定位精度产生的影响,结合当前各站点无人机信号识别结果,提出了一种自适应站点优选算法,该算法基于Cramer-Rao界均值最小化原则,利用K均值聚类算法动态调整当前目标定位空间,可在密集部署的传感器站点中快速选择出符合定位要求的站点集。仿真结果表明,提出的自适应站点优选算法可有效提高网络定位精度。