基于小波能量距的雷达距离像特征提取

基于小波分析的方法，采用雷达目标一维距离像回波在不同频带的能量距特征，以此特征为基础，利用径向基概率神经网络对4类目标进行识别，并与传统的子带能量特征方法进行对比，仿真实验结果表明：对雷达目标距离像进行特征提取时，能量距特征更好地利用了小波分析的时频信息，所得特征向量类间类内距离比大于能量特征，目标的可分性更好，识别率得到了提高，因而能量距特征优于能量特征。     

基于核主分量相关判别分析特征提取方法的目标HRRP识别

为有效提高雷达高分辨1维距离像目标识别系统的总体性能,需要对目标高分辨1维距离像进行特征提取,以得到具有最小信息损失、高可分性且低维度的目标特征,为实现该目的提出一种基于核主分量相关判别分析的特征提取算法。该算法基于目标高分辨1维距离像的统计特性,通过对核主分量分析中核函数的选择,实现对不同类型距离单元的特征提取。同时综合线性判别分析与典型相关分析理论构建新的准则函数,以实现特征空间中类内相关性与类间差异性最大化,同时减少目标特征中的冗余信息。利用实测数据进行实验,结果表明该方法提高了特征向量的可分性,降低了特征向量的维度,并且对该算法在不同强度杂波下的识别性能进行了分析,实验结果表明,该方法可以有效的提高目标高分辨1维距离像目标识别系统的总体性能。     

基于时变特征和核非线性分类器的飞机目标识别

基于雷达目标距离像，研究时变特征提取和核分类器在雷达目标识别中的应用。由于距离像敏感于目标姿态角的变化，单纯的时域或频域方法难以完整刻画目标的散射特性，因此文中采用时频分析方法，首先提取出距离像时频分布的特征参量，再利用主元分析法降低维数，最后采用基于核的非线性分类器进行目标识别。仿真数据和实测数据表明，该方法具有较好的识别效果。     

低通滤波方法在雷达HRRP识别中的应用

特征提取直接关系到雷达的目标识别性能.本文基于雷达目标的一维距离像,从低通滤波的基本思想出发,分别利用频域直接低通滤波方法和Mallat塔式小波分解算法进行特征提取,并从类内类间最大相关系数的角度对所提出的特征提取方法进行了特征评估.基于实测数据的仿真结果表明,这两种特征提取方法不仅可以提高识别率,而且可以减小运算量.     

幂变换对雷达目标HRRP识别的性能影响

分析了幂变换对雷达目标高分辨距离像的特性影响.从类别可分性角度研究了高分辨距离像(HRRP)经幂变换后,其类内和类间相关系数变化情况以及对特征提取的性能影响.采用主分量分析法对原始HRRP和经过幂变换的HRRP进行特征提取,用提取后的特征输入支持向量机分类器进行训练和学习.实验结果表明,幂变换减小了HRRP类内和类间相关系数的差别,进而影响特征提取性能.     

基于双向滑动平均的目标长度特征提取方法

基于高分辨距离像的雷达目标识别是该领域的研究热点,而特征提取是其中的关键环节。相对于散射中心强度和位置特征而言,长度特征随目标方位角变化的影响较小,是一种相对稳定的特征,而且长度特征属于目标本身的物理特征,具有实际的物理意义。文中提出一种基于双向滑动平均的目标长度特征提取方法,并将提取的长度特征用于目标粗分类。该方法首先对距离像进行降噪处理,然后从左右两端同时向中间进行滑动平均处理,当滑动均值大于预设的阈值时,即可确定目标区域的起始和终止位置,从而得到目标的长度特征。该方法的核心在于分别估计左右两端各自的阀值,而不是采用一个统一的阀值,并且在阀值估计的过程中同时考虑了距离像均值和噪声的影响。因此,该方法对于距离像突变、非目标区域野值等具有较强的稳健性。通过对五类飞机的实测数据进行实验,验证了该方法的有效性。     

雷达目标一维距离像的特征分析

针对一维距离像对姿态角敏感和回波时延的问题．对雷达目标一维距离像的特征进行了分析，结合散射点回波功率的特征提取与傅里叶变换．提出了一种雷达目标识别的方法。     

扩展稀疏表示稳健HRRP目标特征提取方法

为提高低信噪比下高分辨一维距离像目标识别性能，提出扩展稀疏表示的噪声稳健目标特征提取方法。本方法通过对稀疏表示的扩展，实现对目标高分辨一维距离像局部特征与全局特征的提取。其中，在训练阶段利用支持向量理论与字典学习原理，对特征提取字典进行优化提高特征向量的可分性。在测试阶段，利用因子分析模型匹配方法对去噪声字典进行优化，从而实现对噪声的有效抑制，保证了目标识别系统的噪声稳健性。利用实测数据对本方法性能进行测试，结果表明本方法可在低信噪比条件下有效地恢复目标高分辨一维距离像，并实现较高的识别正确率。     

幅度谱差分子空间雷达自动目标识别

雷达高分辨距离像是目标的重要结构特征,其维数通常很高,造成数据可分性表达差,识别过程计算复杂度高,识别率低。为降低距离像的维数,提出一种新的距离像特征提取方法,即采用直接线性判别分析(dLDA)在距离像幅度谱差分空间进行特征提取,得dLDA幅度谱差分子空间。目标识别即在所得dLDA幅度谱差分子空间中进行。采用外场实测数据,分别训练了最小距离分类器和one-against-all支撑向量机分类器,2种分类器的识别结果均表明,该方法可显著地降低数据维数并提高识别率。     

基于深度卷积神经网络的极化雷达目标识别

针对宽带多极化雷达,提出将高分辨一维距离像(high resolution range profile,HRRP)与极化信息相结合的算法,获得目标在4种极化组态下的一维距离像并将其组成极化距离矩阵.该算法对目标进行全方位的特征抽取与建模,以适应不同的姿态,有助于减少高分辨一维距离像方位敏感性带来的影响.然后提出了直接基于极化距离矩阵、Pauli分解和Freeman分解三种特征提取方式对极化距离矩阵进行目标特征的提取,并将获得的目标特征向量结合起来送入搭建的深度卷积神经网络进行训练学习.该方法不仅结合了不同的特征提取方式以对极化距离矩阵进行更全面的特征提取,而且深度卷积神经网络的运用又对目标特征向量进行了深层学习,仿真结果验证了该方法的有效性.     

基于改进的稀疏保持投影的SAR目标特征提取与识别

提出了一种改进的稀疏保持投影(Sparsity Preserving Projections, SPP)特征提取方法。该方法将SPP特征提取与局部保持投影(Locality Preserving Projection, LPP)特征提取思想相结合,构造新的目标函数求解投影向量,保证了投影空间内样本的稀疏重构误差达到最小的同时使同类样本间距最小。利用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)实测SAR数据进行实验,实验结果表明在不利用目标成像方位信息情况下平均识别率最高可达97.81%,明显地提高了目标的识别结果,是一种有效的SAR目标识别方法。      

Efficient radar target classification using adaptive jointtime-frequency processing

This paper presents a new target recognition scheme via adaptive Gaussian representation, which uses adaptive joint time-frequency processing techniques. The feature extraction stage of the proposed scheme utilizes the geometrical moments of the adaptivity spectrogram. For this purpose, we have derived exact and closed form expressions of geometrical moments of the adaptive spectrogram in the time, frequency, and joint time-frequency domains. Features obtained by this method can provide substantial savings of computational resources, preserving as much essential information for classifying targets as possible. Next, a principal component analysis is used to further reduce the dimension of feature space, and the resulting feature vectors are passed to the classifier stage based on the multilayer perceptron neural network. To demonstrate the performance of the proposed scheme, various thin-wire targets are identified. The results show that the proposed technique has a significant potential for use in target recognition     

宽带极化雷达目标的互易性修正及识别

针对雷达目标的互易性修正问题，利用机器学习理论，提出一种基于非线性表示子的极化雷达目标互易性修正方法。尝试将Krogager和Cameron目标分解方法用于宽带极化雷达目标的识别，分别基于这两种目标分解方法对宽带极化雷达目标进行特征提取，在Krogager分解中使用核非线性分类器和分类器融合方法对特征矢量进行分类，在Cameron分解中使用投票判决方法对特征矢量进行分类。仿真结果表明，所讨论的方法有较好的性能。     

色高斯噪声条件下自动目标识别的雷达目标二维衰减参数化模型方法

本文通过提取色高斯噪声条件下二维雷达目标具有频率依赖性的散射中心参数,作为自动目标识别的高分辨率目标特征矢量.而且,所导出的提取算法性能不受高信噪比门限和雷达瑞利分辨率极限的约束.并且,通过使用混合算法,给出了一种基于该复杂模型的八步自动目标识别系统.最后,给出了一个例证.     

基于核密度估计的红外目标提取方法

提出了有效集成灰度、空间关系和局部标准差信息的新的核密度估计方案,据此设计了一种基于核密度估计的红外目标提取方法,即首先将图像分块,根据块的统计特征获得包含整个目标的约束区域;然后对目标约束区域和相应的背景采样区域进行核密度估计,这里背景采样区域指的是围绕着目标但又不包含目标的图像区域,由目标约束区域向外扩展而形成;最终通过对两种核密度估计对比的阈值判断即能获得所提取的目标.实验验证了所提出的算法简单有效.     

基于非负矩阵分解的SAR图像目标识别

 特征提取是合成孔径雷达自动目标识别的关键技术,同时也是难点问题之一。本文提出了一种基于非负矩阵分解算法与Fisher线性判别方法的合成孔径雷达图像目标识别的方法,通过基于基向量非负加权组合的形式构建SAR目标图像,能充分利用目标的局部空间结构信息提取目标特征信息实现目标识别。首先将水平集分割预处理后的SAR目标图像样本构成初始矩阵,然后利用非负矩阵分解后得到的权向量作为目标图像的特征向量,再通过依据Fisher线性判别构成的分类器,实现对MSTAR数据中3类目标的识别,并与目前已有的几种典型方案进行对比。试验结果表明该方法是可行且有效的,并能够明显提高对目标识别的稳定性和正确率。     

单目标一维成像及特征提取方法性能分析

为后续目标识别作准备,针对采集并且存储之后的飞机目标雷达回波信号,完成后端雷达信号处理.首先,基于MATLAB提取波门内采样的回波信号并且实现目标的一维成像.然后,采用传统的傅里叶变换模值、双谱奇异值分解法对目标的一维距离像进行特征提取.为了获得较为稳定的目标特征,针对以上两种方法,主要从特征相似性的测量角度分析单一目标特征提取方法的性能优劣.最后通过实验,从相关系数概率密度分布情况得出双谱奇异值分解特征提取法性能较佳,所得到的目标特征较稳定.     

Real time electromagnetic target classification using a novel feature extraction technique with PCA-based fusion

This work introduces an efficient technique to design an electromagnetic target classifier whose reference database is constructed using scattered data at only a few aspects. The suggested technique combines a natural-resonance related feature extraction process with a novel, multiaspect feature fusion scheme. First, moderately aspect-variant late-time features are extracted from scattered field of a given candidate target at several different reference aspects using the Wigner transformation to characterize the target's scattered energy distribution over a selected late-time segment of the joint time-frequency plane. Then, these features are fused using the principal component analysis to obtain a single characteristic feature vector that can effectively represent the target of concern over a broad range of aspect angles. The suggested technique is demonstrated to design a classifier that is verified to be highly accurate and robust even in the presence of excessive noise. Due to the computational efficiency of the technique, the classifier needs very small memory space to store the reference information and quite fast lending itself suitable for real-time target classification.     

Vision-aware target recognition toward autonomous robot by Kinect sensors

Target recognition is a key module in modern human–computer interaction (HCI) and computer vision systems It is pervasively used in many domains like autonomous vehicles and robot, remote operation, and video surveillance. However, due to the complicated environment and object occlusion, target recognition is still a challenging task. In this paper, we propose a novel target recognition algorithm toward autonomous robot by leveraging the Kinect sensors. More specifically, we utilize the Kinect sensors to capture scenario image in real-time. Subsequently, we present an improved HSV-based image segmentation algorithm to decompose the captured image, where morphological operation is employed for foreground target extraction. Afterward, we leverage Spatial Pyramid (SP)-based scheme for visual feature extraction. Then, we adopt a new distance metric for target matching. Comprehensive experimental results have shown the effectiveness of our proposed method.     

雷达目标极化散射特征提取的研究进展

极化雷达可以直接测量出雷达目标的2×2散射矩阵信息，与传统雷达相比，极化雷达的突出优点在于测量数据包含的信息量远大于传统雷达，因而在很多领域都获得了重要应用.本文将对目标极化散射特征提取的发展概况进行综述，包括基于矩阵分解的目标特征参数提取以及直接提取目标极化散射特征的方法等，并对其中存在的问题进行评论，对未来的发展进行展望.