时频域混合的融合多特征协方差矩阵目标识别算法

基于特征融合的目标识别中,为了有效选择融合特征,提高目标识别率,如何权衡所选择的特征间的相关性、选择有效的特征融合策略是其中的关键问题.为了解决军事目标在畸变情况下的快速正确识别,提出了多特征协方差矩阵目标识别方法,与经常采用的单一特征目标识别方法相比,该方法具有数据维数更低,特征间相关性更小的优点.该方法分为如下几个步骤:首先,针对同一目标分别提取几组特征并建立各自的特征向量;然后,利用特征向量构建协方差矩阵;最后,利用提出的归一化的fisher判别方法进行模式分类,并将其用于多姿态目标识别.在哥伦比亚大学的coil-20图像库上进行试验,获得了99.54%的平均识别率,试验结果同时证明了算法具有很强的鲁棒性.     

复杂背景下回转体目标识别方法研究

提出了基于改进BP神经网络的复杂背景下的回转体目标识别方法,实现了对目标的准确提取.采用中值滤波滤除图像噪声,用改进最大类间方差阈值法进行图像分割.提取回转体目标7个不变矩特征作为神经网络输入的特征向量,建立了基于BP神经网络的目标识别系统,进行回转体目标识别,模拟实验结果说明,所提出的图像预处理方法可有效去除复杂背景图像噪声、准确地分割图像,选择7个不变矩特征作为回转体目标识别特征是合理的,基于BP神经网络的回转体目标识别方法具有较高的识别率.     

基于深度森林的多级特征融合SAR目标识别

大多数传统的合成孔径雷达(SAR)目标识别方法仅仅使用了单一的幅度特征,但是由于斑点噪声的存在,仅仅使用幅度特征会限制识别的性能.为了进一步提高SAR目标识别的性能,该文提出了一个基于深度森林的多级特征融合SAR目标识别方法.首先,在特征提取阶段,提取了多级幅度特征和多级密集尺度不变特征变换(Dense-SIFT)特征.幅度特征反映了目标反射强度,Dense-SIFT特征描述了目标的结构特征.而多级特征可以从局部到全局表征目标.随后,为了更完整、充分地反映SAR目标信息,借鉴深度森林的思想对多级幅度特征和多级Dense-SIFT特征进行联合利用.一方面通过堆叠的方式不断将多级幅度特征和多级Dense-SIFT特征进行融合,另一方面通过逐层的特征变换挖掘深层信息.最后利用得到的深层融合特征对目标进行识别任务.该文在MSTAR数据集上进行对比实验,实验结果表明所提算法在性能方面取得了提升,且其性能对超参数设置具有一定的鲁棒性.     

多源红外弱小目标灰色关联融合识别方法

针对从复杂地物背景下识别红外弱小目标的需求,提出了一种针对中/长波红外图像的多源信息融合识别方法。首先在对低信噪比红外图像的预处理中改进了去相关和分块阈值分割等算法以抑制温度场的非线性影响,有效提取出目标及其特征,再利用基于灰色理论的目标关联度计算得到基本概率赋值,进一步运用D-S证据理论组合规则对多个观测样本的信任度进行决策融合,得到同一时刻多传感器探测样本数据的最终识别结果。实验表明,该方法对复杂地物背景下的红外弱小目标具有较高的识别效率。     

一种基于多传感器时间—空间信息融合的红外小目标识别方法

为了提高强干扰条件下的红外弱小目标识别的可靠性，提出了一种基于多传感器时间－空间信息融合的红外小目标识别方法，并采用D－S证据合成理论对来自多个红外双波段成像传感器的实际图像信息了仿真融合计算。仿真结果表明该方法对强干扰条件下的红外弱小目标具有较高的识别效率。     

支持向量机的全局局部特征融合目标识别

提出一种基于支持向量机的全局局部特征融合目标识别方法,并将其运用到雷达一维距离像目标识别。该方法采用非线性辨别方法与局部保留映射方法分别提取样本的非线性全局特征与局部特征,并进行特征融合,以便提取更全面的样本特征,得到更加准确的识别结果,随后采用支持向量机进行分类识别,利用其对于非线性小样本问题的强大处理能力,进一步改善识别结果。对三种飞机目标的实测雷达一维距离像进行了仿真实验,结果表明了方法的有效性。     

基于支持向量机和无源特征的目标识别方法

通过引入机栽雷达辐射这一无源特征.采用多类分类支持向量机进行类型识别,提出了一种更有效的目标识别方法.无源特征是有用信号和噪声的叠加.具有一定程度的不确定性,采用范数熵衡量无源特征,类间距较大,类内聚集性较强,还可以抑制噪声.支持向量机分类器结构简单、可获得全局最优、泛化能力强,多类分类支持向量机解决目标识别问题高效而且实用.实验证明,该方法明显地提高了目标识别的正确率.     

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.     

基于证据理论的车辆微动特征识别技术

针对利用单一特征进行地面轮式/履带式运动车辆目标分类时识别率低的问题,提出了基于证据理论的运动车辆多域特征融合识别方法。通过频域、时频域微动特征提取获得基本信任赋值,首先利用D S证据理论对频域特征结果进行融合得到其识别结果与识别信度,然后对频域与时频域识别结果进行决策级证据理论融合,得到运动点迹的目标类型,最后根据航迹判别规则完成轮式与履带式车辆的分类。通过实测数据试验验证,多域特征融合识别方法可以有效地利用地面动目标频域与时频域特征,进而提高了识别性能。     

基于深度森林的多级特征融合SAR目标识别

大多数传统的合成孔径雷达(SAR)目标识别方法仅仅使用了单一的幅度特征,但是由于斑点噪声的存在,仅仅使用幅度特征会限制识别的性能。为了进一步提高SAR目标识别的性能,该文提出了一个基于深度森林的多级特征融合SAR目标识别方法。首先,在特征提取阶段,提取了多级幅度特征和多级密集尺度不变特征变换(Dense-SIFT)特征。幅度特征反映了目标反射强度,Dense-SIFT特征描述了目标的结构特征。而多级特征可以从局部到全局表征目标。随后,为了更完整、充分地反映SAR目标信息,借鉴深度森林的思想对多级幅度特征和多级Dense-SIFT特征进行联合利用。一方面通过堆叠的方式不断将多级幅度特征和多级Dense-SIFT特征进行融合,另一方面通过逐层的特征变换挖掘深层信息。最后利用得到的深层融合特征对目标进行识别任务。该文在MSTAR数据集上进行对比实验,实验结果表明所提算法在性能方面取得了提升,且其性能对超参数设置具有一定的鲁棒性。     

基于多特征融合的弱小目标检测方法研究

提出了一种基于多特征距离图的红外弱小目标检测方法。弱小目标的许多特征，如局部熵、平均梯度强度等，不但刻画了弱小目标的特点而且易于提取。通过特征融合技术，可以将弱小目标检测问题转化成在一个多特征空间的极值求取问题。该方法利用已经提取的多个特征，采用特征融合技术构造一个距离图像，再对该图像进行二值化处理，达到目标检测的目的。通过对实际的红外图像序列进行小目标检测，验证了所提方法的可行性和有效性。     

基于一维距离像序列的弹道目标融合识别研究*

一维距离像是宽带雷达目标识别的重要特征之一.本文根据弹道目标的微动特性,推导了微动弹道目标的时间-距离像模型.然后提取具有平移不变性的中心矩和双谱作为待识别特征向量,并分别使用K-L变换和局部双谱法对提取到的中心矩和双谱特征进行降维.将降维后的特征分别输入支持向量机进行分类识别,最后将支持向量机的输出进行决策级融合,得到待识别目标的识别概率.与基于单特征量的识别方法相比,本文提出的方法不仅具有较高的识别率,而且具有良好的抗噪能力.     

弹道中段目标雷达综合识别研究*

中段是弹道导弹防御的主要阶段,也是目标构成最为复杂的阶段。数量众多的轻、重诱饵和弹体碎片使得基于单一特征、单次观测的目标识别并不能给出令人信服的识别结果。因此本文根据弹道中段目标的微动和结构特性,首先利用BP神经网络得到基于单一特征的各待识别目标的基本概率赋值,然后利用D-S证据理论实现当前观测周期多特征的融合识别,最后利用D-S证据理论实现当前观测周期与以往观测周期在时间域的序贯融合识别。仿真结果证明了本文方法的有效性。     

决策可靠性分析及在SAR图像目标识别中的应用

决策融合是提高合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别性能的重要手段,然而,可靠性较弱的决策往往会导致最终决策融合的效果变差。将可靠性分析引入基于决策融合的SAR目标识别方法中,分别计算各个决策的可靠性系数并选取可靠性的决策参与最终的决策融合。为了验证方法的有效性,分别将提出的可靠性分析应用于多特征决策融合以及多分类器决策融合并基于MSTAR（Moving and Stationary Target Acquisition and Recognition）数据集进行了目标识别实验。在基于主成分分析、线性鉴别分析和非负矩阵分解三种特征进行多特征决策融合的条件下,所提方法和直接进行决策融合的方法的识别率分别为97.47%和96.50%。在基于K近邻、支持向量机和稀疏表示分类器的多分类器决策融合中,所提方法和直接进行决策融合的方法的识别率分别为97.10%和96.28%。实验结果充分证明了所提方法的有效性。     

基于多特征融合的行人检测跟踪统计方法

为了避免传统方法行人过线统计的不足,提高视频中人数统计的适用性和有效性,提出了一种基于多特征融合的行人检测跟踪统计方法。首先,采用垂直拍摄的方式获取视频,利用Mean-Shift分割算法分割图像,根据发色信息和头部轮廓特征识别出人头目标区域;其次使用融合多特征的匹配算法对人头进行匹配跟踪;最后通过运动目标轨迹分析估算出监控区域内的人数。实验结果表明提出的算法在保证准确率的前提下,扩大了人数统计的适用性。     

基于五帧差分和模板匹配的运动目标检测识别

针对帧差法和背景差分法检测运动目标准确率低,自适应能力弱等缺陷,提出了一种改进五帧差分法与背景差分法和模板匹配相结合的运动目标检测和识别算法;通过改进的五帧差分和背景差分法融合的算法从视频图像序列中检测出运动目标;利用形态学方法去除噪声,改善运动目标提取效果;在Harris算法提取图像匹配特征值的基础上角点配准,提高图像识别的准确率,通过提取目标特征与自适应模板图像进行特征匹配的方法实现了目标检测识别和跟踪。仿真结果和实验表明该方法有噪声和部分遮挡的运动目标有良好的检测识别效果,识别率达到了95%。     

基于深度卷积神经网络的多特征融合的手势识别

针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致手语识别率较低的问题,本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合,通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到,其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象,使用"dropout"方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法,在"hand"数据库中,对32种势的识别率为97.73%。相比一般的手语识别方法,此方法鲁棒性更强,并且识别率更高。     

基于扩展分形和CFAR特征融合的SAR图像目标识别

研究了多信息融合技术在SAR图像目标识别中的应用。将扩展分形特征(Extended Fractal)与双参数恒虚警特征(Double Parameter CFAR)形成的多信息进行融合处理。运用Dempster-Shafer证据理论，在决策层对SAR图像中的像素进行识别分类。实验结果表明通过融合对像素分类的准确性明显好于单特征的检测结果，减少了虚警概率，提高了系统的识别能力。     

动态背景下基于帧间差分与模板匹配相结合的运动目标检测

基于图形处理器单元（GPU）提出了一种帧间差分与模板匹配相结合的运动目标检测算法。在CUDA—SIFT（于统一计算设备架构的尺度不变特征变换）算法提取图像匹配特征点的基础上,优化随机采样一致性算法（RANSAC）剔除图像中由于目标运动部分产生的误匹配点。运用背景补偿的方法将静态背景下的帧间差分目标检测算法应用于动态情况,实现了动态背景下的运动目标检测,通过提取目标特征与后续多帧图像进行特征匹配的方法最终实现自动目标检测。实验表明该方法对运动目标较小、有噪声、有部分遮挡的图像序列具有良好的目标检测效果。