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.     

两类特征在红外目标识别中的应用

针对目标红外图像类特征选择问题,文中提出将类特征分为类间特征与类内特征两种,分别用于目标识别时的粗判与细判,与传统的特征选择与目标识别均只在类间特征基础上相比,该方法能较好地应用于红外目标的识别。     

激光与红外融合目标检测

针对自动目标识别需求,提出了一种激光与红外融合目标检测方法。首先介绍了基于方向显著性的红外目标检测算法,并分析了该算法的优缺点。针对该算法的缺陷,提出了一种激光与红外融合的目标检测方法,该方法将激光雷达测得的弹目距离信息引入到基于方向显著性的红外目标检测算法中,大大提高了目标检测算法的精度。仿真实验表明文中方法解决了单源红外目标检测算法对应用场景适应性不强和鲁棒性较差的诸多问题,大大提高了目标的检测率。     

雷达与红外数据融合的近距空中目标识别

为了提高传感器目标识别性能和近距空中目标识别准确性,结合雷达和红外传感器提出了一种目标融合识别模型：对于雷达传感器,提出基于参数学习贝叶斯网络的目标识别方法,首先采用EM算法对贝叶斯网络进行参数优化,然后根据获取的目标属性信息进行目标分类;对于红外成像传感器,采用基于小波矩特征的目标识别方法,首先对目标图像进行小波矩特征提取和选择,然后通过建立的BP神经网络分类器进行目标分类;最后通过D S证据组合法则对两部分识别结果进行融合处理,实现了基于雷达和红外数据融合的近距目标识别。仿真结果表明：和单传感器相比,所提出的模型可以更加精确地进行目标识别。     

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。     

激光/红外复合扫描引信目标识别算法

针对激光、红外单模引信抗环境干扰能力差、目标识别概率不高的问题,提出了一种基于关联的多元线阵激光/红外复合扫描的模糊识别算法。该算法通过建立激光/红外线阵扫描模型,对目标的顶部三维轮廓与顶部红外辐射图像进行特征提取与关联信息融合,对比真实目标特征参数,设计了基于模糊理论的目标识别算法,得出三组识别特征各自的识别概率,在此基础上对三种识别概率继续进行模糊推理融合得出目标的最终识别概率。仿真结果表明,该复合探测目标识别概率比单模识别方法有较大幅度的提高。     

基于多波段特征融合模板匹配的目标识别方法

为了满足天基系统对红外探测目标的高精度识别需求,提出了一种基于多波段特征融合模板匹配的目标识别方法。首先阐述分析了目标多维特征要素以及分类手段。结合目标运动特征、多波段下目标光谱特征以及红外辐射变化等特征实现了特征融合处理,并基于区域特征变化,采用动态规整模板匹配算法完成了目标识别。最后结合合作目标的红外辐射强度序列数据对参数进行了训练调整。分析结果表明,本文建立的识别方法能够较好地实现目标型号识别,性能优于传统的动态规整匹配算法。     

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。     

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。     

基于激光雷达与红外数据融合的跟踪算法

针对精确制导中目标的自动识别、稳定跟踪与抗干扰需求,提出了一种基于激光雷达与红外数据融合的目标识别与抗干扰方法。首先采用一致性点漂移(CPD)算法对目标在不同图像中的轮廓特性进行匹配,完成了激光与红外图像的配准;然后利用红外图像中目标的能量和形状信息、激光图像中的距离信息完成激光与红外图像的决策级融合;最后利用改进的核相关跟踪算法完成目标的跟踪与抗干扰。通过激光雷达与红外仿真数据的实验,验证了文中方法在目标跟踪与抗干扰性能上的有效性。     

基于特征融合的可见光与红外图像目标检测

为提升目标检测任务在复杂环境下的识别效果,提出了一种基于特征融合的红外与可见光目标检测方法。该方法首先采用并列的卷积神经网络分别提取红外和可见光特征信息,并利用通道和空间注意力机制提升有效特征的权重;其次,为充分利用红外和可见光特征进行信息互补,设计了特征自适应融合结构,以自主学习方式将红外与可见光特征以最优方式加权融合;最后,针对不同尺度目标,通过交替采样方式充分融合深层和浅层特征,保障各维度目标检测效果。通过实验表明,所提方法可以充分利用并融合不同模式、尺度的目标特征信息,实现目标准确识别及定位。同时,在实际电网设备检测中,该方法也体现出较优的鲁棒性和泛化性。     

基于红外与可见光图像的目标检测算法

针对现有基于可见光的目标检测算法存在的不足,提出了一种红外和可见光图像融合的目标检测方法。该方法将深度可分离卷积与残差结构相结合,构建并列的高效率特征提取网络,分别提取红外和可见光图像目标信息;同时,引入自适应特征融合模块以自主学习的方式融合两支路对应尺度的特征,使两类图像信息互补;最后,利用特征金字塔结构将深层特征逐层与浅层融合,提升网络对不同尺度目标的检测精度。实验结果表明,所提网络能够充分融合红外和可见光图像中的有效信息,并在保障精度与效率的前提下实现目标识别与定位;同时,在实际变电站设备检测场景中,该网络也体现出较好的鲁棒性和泛化能力,可以高效完成检测任务。     

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。     

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。     

卷积神经网络结合NSST的红外与可见光图像融合

传统的多尺度红外与可见光图像融合方法,所提取的图像特征固定,并不能很好的应用于各类复杂的图像环境,而深度学习可以自主选择合适图像特征,改良特征提取单一性问题,因此提出一种基于卷积神经网络与非下采样剪切波变换（NSST）相结合的红外与可见光图像融合方法。首先,用卷积神经网络提取红外目标与背景的二分类图,利用调频（FT）显著性检测算法对分类图进行精准分割,同时,利用NSST将源图像多尺度、多方向进行分解;其次,利用目标显著性结合自适应模糊逻辑算法进行低频子带融合,利用高频系数局部方差对比度方法进行高频子带融合;最后,通过NSST逆变换得到融合后图像。实验结果表明:相比于传统图像融合算法,该方法在信息熵、平均梯度、空间频率、互信息和交叉熵等多个客观评价指标上至少分别提高了0.01%、0.30%、1.43%、2.32%、1.14%。一定程度提高了融合图像对比度,丰富了背景细节信息,更有利于人眼识别,可以广泛的应用于光电侦察、光电告警、多传感器信息融合等光电信息领域。     

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.     

基于分类器决策融合的红外图像目标识别方法

提出基于分类器决策融合的红外图像目标识别问题。采用稀疏表示分类（Sparse representation-based classification,SRC）和卷积神经网络（Convolutional neural network,CNN）作为基础分类器。对于测试样本,首先基于SRC进行分类,并根据输出的决策变量判断决策可靠性。当判定识别结果可靠时,则识别过程结束,输出目标类别。反之,根据SRC的结果遴选部分置信度较高的候选类别,并在下一阶段针对这一步类别采用CNN进行确认分类。此外,将CNN的输出结果与SRC进行线性加权融合处理,根据融合结果做出最后的目标类别决策。提出方法通过综合SRC和CNN两者分类器的优点,综合提升红外目标识别性能。同时,这种层次化的决策融合方式避免了对所有样本的两次分类过程,整体上能够保证识别算法的效率。实验采用五类日常生活中常见的车辆目标红外图像进行,分别设置了原始样本条件、噪声样本条件以及遮挡样本条件。通过与部分现有方法进行对比,结果反映了提出方法的有效性和可靠性。