基于非平衡Fisher判别的两类红外特征提取

红外目标特征提取和识别中,由于小样本数据选择特征会存在严重的非平衡性,降低特征识别性能.基于此,提出了一种改进型非平衡Fisher判别的两类特征提取方法,以特征统计方差作为判定标准,选择两类目标特征,并对所选特征进行加权判别,以降低小样本库中目标与非目标不平衡性对识别的影响.通过一组空中目标的红外序列验证,说明了改进的加权非平衡Fisher判别标准对空中目标特征提取的有效性.     

红外与激光融合目标识别方法

针对自动目标识别需求,提出了一种激光与红外融合目标识别方法。首先分别对激光与红外两类单源数据分别提取小波矩和投影轮廓特征来表征目标;其次,将两类单源特征进行组合,并对组合后的特征进行约简。考虑到组合多个约简在进行分类时将产生互补信息,基于三种不同观点的约简提出了一种差异性组合分类器的构建方法,对约简后的激光和红外复合数据进行融合识别。最后,通过对激光与红外仿真数据的实验,验证了文中方法的有效性。     

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。     

一种新的红外目标提取算法

针对红外热图像普遍存在的目标与背景对比度差、边缘模糊等特点,提出了一种结合图像统计特征和模糊聚类的红外图像目标提取方法对红外图像进行迭代分块,通过计算统计特征度量函数的极值来确定种子区域,进而获得红外目标约束区域。利用模糊聚类对该约束区域进行有效的聚类划分,最终实现红外图像目标提取。实验结果表明,该方法能够准确的对红外目标进行提取,便于下一步的红外目标识别与跟踪。     

一种基于目标红外特征的目标分类识别方法

基于目标的红外选择性,提出了目标的９个特征量,并以它们为分量组成目标的特征向量,以此来进行目标的分类识别。由于特征量单位不统一,提出了一种近邻分类法。文中用３类飞机的红外图像进行实验。实验表明,用这种方法把提出的红外特征量用于目标的分类识别效果很好。     

空间双波段红外成像仿真及目标特性分析

从普朗克辐射定律出发,充分考虑了点目标的弥散现象、噪声以及探测器的盲元,获得了包含小目标的双波段红外仿真图像。结合红外辐射基本原理,讨论分析了基于双波段红外识别小目标的有效特征,得出目标在中波段和长波段的红外辐照度比值以及目标红外辐照度与探测距离间的关系,可以为小目标识别提供可靠的性能参数。     

融合判别性与细粒度特征的抗遮挡红外目标跟踪算法

针对现有热红外目标跟踪算法难以处理相似物干扰和目标遮挡的问题,引入MMNet（Multi-task Matching Network）算法中的多任务框架获取热红外目标特定的判别性特征和细粒度特征,并将这两种特征相互融合,用于在类间和类内识别热红外对象。此外,利用峰值旁瓣比动态设置模型更新参数以更高效地获取目标变化信息并对跟踪结果进行评估。对于不可靠跟踪结果利用卡尔曼滤波对目标位置进行预测。在LSOTB-TIR（Large-Scale Thermal Infrared Object Tracking Benchmark）红外数据集上的实验结果表明,提出的改进算法性能较好,相比MMNet跟踪精确度和成功率分别提高了5.7%和4.2%,且能有效应对遮挡、变形等挑战,可以应用于红外目标跟踪领域。     

深度特征联合表征的红外图像目标识别方法

针对红外图像目标识别问题,提出了联合卷积神经网络和联合稀疏表示的方法。卷积神经网络学习红外目标图像的深度特征,描述目标的多层次特性。不同深度特征可实现对目标不同特性的描述,因此具有良好的互补性。综合运用多层次深度特征,可为目标识别提供更为充分的信息。分类过程中,采用联合稀疏表示对待识别样本的多层次深度特征矢量进行表征,通过不同特征矢量之间的相关性约束提升整体表示精度。因此,联合稀疏表示在利用各层次深度特征的同时,充分考察了它们之间的内在关联。根据联合稀疏表示的输出结果,按照误差最小的原则判定输入样本的目标类别。实验基于中波红外（ MWIR）目标图像数据集开展,分别在原始测试样本、噪声测试样本以及少量训练样本3类条件下对提出方法进行了测试,并与4类现有红外目标识别方法进行了对比分析。实验结果表明,提出方法在设置的3类测试条件下均可以取得优势性能,表明其对于红外图像目标识别问题具有应用潜力。     

基于Top-hat变换与OTSU的近岸舰船目标检测

长期以来,雷达对近岸目标的检测是目标识别的难题。对于近岸低速舰船目标,存在探测难、识别难的问题。然而,舰船目标具有较好的红外辐射特征,在探测过程中可以充分地利用这一特征。针对其红外特性提出了一种基于Top-hat变换与最大类间方差法的图像处理方法。经开运算重构,利用Top-hat变换增强红外图像中目标与背景的对比度;根据图像的灰度特性,使用最大类间方差法对图像进行阈值分割,以便检测目标。实验结果表明,该算法能够有效地检测出近岸舰船目标,对近岸目标识别具有一定的现实意义。     

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.     

结合雷达目标特征的红外成像目标识别

由于单传感器在导弹的目标识别和跟踪方面存在的固有缺陷,近年来,数据融合技术在这一方面得到广泛地应用和研究。文中提出了在双模（ 雷达,红外） 数据融合方案中,结合雷达目标特征的红外成像目标识别方法,并详细讨论了所涉及的图像处理技术（ 区域分割,骨架提取） 和人工神经网络分类技术。最后给出了实验结果和结论。     

基于显著特征引导的红外舰船目标快速分割方法研究

分割的难度可以利用关于视觉任务的知识来降低。在分析现有分割方法的基础上，提出了一种用目标的显著特征来限定分割区域的分割方法，使基于类间方差的门限法得以应用。同时，考虑了红外图像中船体与发动机等区域存在不同灰度分布的情况，定义了局部分割准则。实验结果证明所提出的方法能成功完成红外舰船目标分割，并能应用于实时舰船目标检测与识别。     

红外目标特征分析

基于目标的红外辐射特性,提出了九个关于目标的特征量,这些特征量经试验表明,它们具有较好的稳定性,从而为红外制导和红外地面跟踪的目标分类和识别提供了良好的基础。     

成像制导中的红外图像分割算法

采用凝视焦平面阵列(FPA)的红外成像制导技术以其优越的性能在空空导弹中得到了广泛的应用.由于空中飞机目标表面各部位的温度不同,使得红外成像探测装置获得的目标图像的不同部位存在着较大的灰度差异,这给正确分割出目标带来了很大的困难.针对飞机目标红外图像的特点和成像制导技术中图像分割的目的,文中提出了一种有利于目标特征点识别的图像分割算法,它首先对目标红外图像进行阈值分割,然后选取合适的结构元素并利用数学形态学的并行性特点对目标内部的空洞区域进行填充,最后得到比较精确的分割图像,这种分割结果对基于灰度连续性的目标特征点识别算法非常有利.     

基于外形特征与运动特征的人体行为提取方法

针对传统外形特征表征方法描述行为动作能力有限和运动特征表征方法难以准确、稳定地捕捉目标运动特性等问题。提出运用人体外形特征和运动特征相结合的方法提取人体行为关键特征,利用谱聚类算法对特征进行降维,降低了数据维数,获得了最优的特征表征。仿真实验表明,该方法降低了样本维数,减少了数据冗余,并提高了训练精度,且保证了行为识别率。     

估算红外成像作用空间分辨率的新方法

提出了一种新的基于特征熵的估算红外成像作用空间分辨率的方法，研究红外目标在各分辨等级（发现、识别、确认）所需的红外成像空间分辨率。首先，通过下采样获取各分辨率等级下的目标图像；其次，提取目标的特征（纹理、形状和全局统计特征），并对目标的特征空间进行归一化，得到其特征直方图；然后通过计算其特征熵，度量目标的信息量；最后根据设定的阈值，给出红外目标在不同的识别等级下所需的最低成像分辨率结论，并以计算机仿真红外目标为例进行验证。实验结果表明:文中结论与识别结果较好吻合，能够为红外识别系统的优化设计和分析提供参考依据。     

基于多特征融合的弱小运动目标识别

利用单个特征识别强噪声中的弱小运动目标,常因所提取的目标特征与噪声特征易混淆而导致高的虚警率.提出一种新的基于多特征融合的弱小运动目标识别方法.分析了弱小运动目标的连续相关性、面积及质心位置偏移这三个特征的可靠性及提取方法,对获取的特征值进行归一化后采用多特征融合的方法构造更具有鲁棒性的联合特征,确定了以具有最大多特征融合值为真实目标的决策方法.通过与采用单一特征的目标识别方法进行比较,证明了提出的多特征融合方法能更准确地识别弱小运动目标.     

基于目标红外特征与SIFT特征相结合的目标识别算法

为了解决传统的SIFT算法存在检测时间长,识别率低等问题,提出了一种基于目标红外特征与SIFT特征相结合的红外图像识别算法,该算法首先通过5个能反映红外目标初步信息且易实现的红外特征量进行初步识别,然后采用SIFT算法进行精确识别。通过三种飞机的红外图实验可以看出,将红外特征量与SIFT特征检测识别方法相结合,识别时间缩短0.06s,识别率有较大提高,达到98%以上。     

模糊图像多波段特征融合的多类舰船识别

利用单波段特征进行多类别舰船识别对舰船的图像质量与特征描述算子要求较高,图像质量的下降会直接导致复杂的特征描述算子识别能力下降。为了多舰船目标识别率的提高,针对单波段特征识别能力的不足,设计了目标图像特征,对多特征进行协方差融合,对多波段目标图像,采用特征并行处理,进行协方差特征融合,最后利用融合后的特征对多舰船目标进行识别分类。对比试验结果显示,本文设计的融合特征,在单波段图像上,比直接利用流行的HOG特征识别率高,多波段融合特征的识别率较单波段融合特征更是得到了质的提升,达到了95%以上。     

一种基于多分类器融合的双色红外成像目标识别方法

针对双色红外成像系统中的自动目标识别问题,提出了一种基于多分类器融合的红外目标识别方法.该方法首先提取目标的形状特征和面貌特征,并设计多个基于不同特征的分类器对目标进行分类;然后对各个分类器的目标分类结果进行决策级融合处理,并采用所提出的决策规则对多分类器融合分类结果进行处理得到最终的目标识别结果.该方法充分利用了目标在多传感器图像中的多种分类特征信息,提高了系统的目标识别效率和精确性.实验结果证实了该方法的有效性.