雷达目标一维距离像的偶数阶中心矩特征的识别

针对雷达目标一维距离像的平移敏感性和姿态敏感性,提出一种提取一维距离像的偶数阶中心矩作为雷达目标特征的方法。用小波变换提高一维距离像的信噪比,在此基础上提取中心矩特征,再选取维数减半的比较稳定的偶数阶中心矩作为目标特征,以适用于支持向量机分类器进行识别分类。对实测雷达目标的数据进行试验,结果显示在减少模板特征向量的存储量和测试样本识别时的计算量的同时,得到了较高的识别率。     

基于不变矩的椭圆(圆)识别方法

为了能快速识别椭圆(圆)曲线,给出了利用不变矩的识别方法,根据曲线离散点的坐标,求出椭圆(圆)曲线的形心和归一化的中心矩,并利用这些中心矩,计算了椭圆(圆)曲线的特征参数,然后再根据这些特征参数和识别准则对曲线进行识别,该识别方法不需要施加任何条件和限制,能快速识别曲线中所有大小和摆向各异的椭圆,实验结果表明这种方法是有效的。     

优化Zernike矩MIMO雷达图像目标识别方法

针对MIMO雷达目标识别问题,给出了一种MIMO雷达目标识别方法.首先利用二值化和杂散点抑制对MIMO雷达成像结果进行了预处理,以消除噪声干扰和MIMO雷达图像距离依赖方位分辨率所引起的图像幅度起伏;随后,基于优化Zernike矩方法构造了MIMO雷达图像的特征,采用欧式距离分类器给出了相应的识别处理步骤.最后,利用3种飞机模型的MIMO雷达像对所提出方法的性能进行了验证,仿真结果证实了所提方法的可行性.     

结合RSTC不变矩和LVQ神经网络的红外图像目标识别方法

通过分析比较红外图像的目标特征,为了达到理想的识别效果,在Maitra不变矩的基础上进行优化,选取RSTC不变矩作为目标识别的特征向量.采用LVQ神经网络建立识别模型,充分发挥神经网络的智能优势.对采集到的红外图像进行了测试实验,结果表明该方法可以提高识别效率.     

一种用于雷达HRRP功率谱的加权特征压缩方法

针对雷达高分辨距离像的平移不变特征——功率谱特征,提出了一种基于Fisher判决率的加权特征压缩方法．该方法利用目标功率谱特征的Fisher判决率迭代搜索最优权向量,并根据最优权值的大小对特征向量降维．与直接使用原始功率谱特征及基于Fisher可分性判据的几种现有的特征压缩方法相比,加权特征压缩方法在降维的同时可提高识别性能,且运算简单,在基于外场实测数据的识别实验中对测试数据具有良好的稳健性．     

一种基于零相位表示法的雷达高分辨距离像识别方法

针对一种距离像零相位表示法,提出采用子带处理来降低对对齐精度的要求,并给出了相应的识别方法．与最大相关系数分类器相比,子带处理的方法在降低运算量的同时获得了较好的识别性能,优于基于频谱幅度特征的分类器的性能．     

最优的核判别分析用于雷达目标识别

特征提取是雷达目标识别研究中的重要问题,有效、稳健的特征是提高识别率的关键。核判别分析(KDA)是一种抽取非线性特征的有效方法,但它会因为奇异性问题而难以求解。基于子空间投影的思想,给出一种最优的核判别分析(OKDA)方法,用于对雷达目标的距离像进行特征提取,然后采用基于核的非线性分类器对所提取的特征进行分类,实现对雷达目标的识别。分别对仿真和实测距离像进行实验,结果表明该方法具有较好的识别效果。     

基于Zernike矩的人体行为识别

为了保证特征提取的有效性,更完备地描述人体行为序列,提出了一种基于Zernike矩的人体行为识别方法.该方法利用规范化的运动历史图像(MHI)进行图像序列的表示,从中提取出基于Zernike矩的统计描述作为特征向量进行识别.同时,提出了一种利用图像的重建过程确定分类时采用的Zernike矩的最高阶次的算法.实验中,对8类不同的人体行为进行了测试.应用Zernike矩特征的分类精度高于用规则矩和Hu矩作为特征的方法,证明了基于Zernike矩的人体行为识别方法的有效性.     

一种深度神经网络SAR遮挡目标识别方法

提出了一种利用深度神经网络的合成孔径雷达图像部分遮挡目标的特征提取和目标识别新方法.该方法首先对合成孔径雷达图像进行预处理,然后提取预处理后合成孔径雷达目标的小波域低频子带图像作为训练数据,最后利用深层稀疏编码模型进一步提取合成孔径雷达遮挡目标的有效特征向量作为目标的特征以完成目标识别.采用MSTAR数据库中的3类目标进行目标遮挡模拟及识别实验.结果表明,新方法可以综合利用遮挡目标的局部和整体结构信息以提高目标的正确识别率,是一种有效的合成孔径雷达遮挡目标特征提取和目标识别方法.     

基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO—IKPCA和SVM的雷达目标HRRP特征提取与识别方法。讨论了HRRP预处理、迭代KPCA算法和SKO／FKO技术的实现方法,将SKO／FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验。结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能。     

采用多特征联合学习的噪声稳健HRRP识别方法

为提高低信噪比条件下雷达目标高分辨一维距离像的识别性能,提出一种采用多特征联合学习的噪声稳健目标识别方法．该方法利用核函数实现对稀疏与低秩的联合表示,用来提取目标高分辨一维距离像的局部特征与全局特征．在训练阶段,利用联合可分性分析多分类器综合结构字典学习方法对特征提取字典进行优化,从而提高特征向量的可分性;在测试阶段,利用对消原理对噪声进行自适应抑制,实现噪声干扰下的稳健识别．利用实测数据进行实验,结果表明该方法可有效地对被噪声污染的目标高分辨一维距离像进行恢复,并提高低信噪比下的目标识别准确率,且满足实际应用中的实时性要求．由此可见,该方法可以有效地提高高分辨一维距离像目标识别系统在低信噪比下的总体性能．     

Radar HRRP based few-shot target recognition with CNN-SSD

The development of radar high resolution range profile(HRRP)non-cooperative targets recognition technology is mainly limited by two aspects:(1) Due to the low observation frequency of non-cooperative targets,the number of labeled HRRPs is insufficient,making non-cooperative HRRP based target recognition a typical few-shot recognition problem,which is still a hot and difficult issue without definite conclusion in the academia.(2) The existing HRRP based target recognition methods are mostly based on the hypothesis of complete dataset,making them mismatch with non-cooperative target recognition in few-shot setting.In this paper,we put aside the complete hypothesis and propose an HRRP based few-shot target recognition method with CNN-SSD.The proposed method first uses a complete training HRRP containing 45 classes of cooperative targets to learn an initial category-independent feature extractor,on the basis of which we further utilize the model sequential self-distillation mechanism to obtain a more generalized feature extractor.Finally,the generalization ability of the extracted features is evaluated on unseen non-cooperative targets during training.Experimental results on self-simulated HRRP dataset reveal that the proposed method can achieve an average recognition rates of 61.26%,84.69% and 92.52% respectively when only 1,5 and 10 annotated HRRPs of non-cooperative targets are available.     

稀疏表示框架下的SAR目标识别

稀疏表示选择最佳线性表示重构信号,可避免合成孔径雷达(SAR)目标识别中的方位角估计难题,同时减轻强相干噪声影响。稀疏字典选择是稀疏表示中的关键问题之一,该文提出分别使用级联方式和并联方式构造稀疏字典实现SAR目标识别。首先对训练样本进行对数归一化处理,使用主成分分析(PCA)特征提取和降维;然后对处理后的数据分别组成级联字典和并联字典,采用截断牛顿内点法(TNIPM)获得目标的稀疏表示;最后,在两种字典的稀疏表示框架下设计分类器对SAR目标识别。通过对比实验,验证了该文的字典构建方式在稀疏表示框架下对SAR目标识别的有效性。     

基于多方法联合运用的低分辨雷达目标识别

针对低分辨雷达的特点,总结了当前低分辨雷达典型的目标识别方法,分析了各方法的有效性,讨论了基于A显波形特征的方法和基于调制谱特征目标识别方法的联合运用,提出多方法联合运用目标识别对策的思路及处理流程,为实际工程运用提供参考.     

用距离像识别地面目标的研究

利用毫米波（ＭＭＷ）雷达高分辨距离像作为特征矢量，研究了四种地面目标的分类性能，比较了单极化和双极化下的目标分类结果．表明距离像的多极化非相干积累是提高目标识别率的一个有用方法．     

基于不变矩算法的行人识别方法研究

行人识别对于智能辅助驾驶和智能车辆至关重要.采用一种基于不变矩算法的行人特征提取和识别方法,通过利用不变矩在目标平移、旋转和缩放的不变性,在HU不变矩基础上添加3个表达式,使不变矩包含更多的细节特征,将其作为行人目标的识别特征,利用支持向量机分类器作为主要手段对不变矩进行分类识别,并分析影响识别效果的影响因素.试验结果表明,选择改进的不变矩作为行人特征具有较好的行人识别效果,较高的识别率使行人和非行人能得到有效的识别.     

高距离分辨率雷达目标的识别

本文以信号处理为基础,研究了识别特征的方法,包括直接利用距离像作为识别特征及提取距离像的频域特征和自相关函数特征,以避免距离时延对识别的不利影响并获得更多的高价统计信息;结合傅立叶变换的时移不变性和梅林变换的尺度不变性,讨论了距离像的傅立叶－梅林变换在改善目标特征稳定性方面的作用;研究了一种修正的直接梅林变换（ＭＤ－ＭＴ）算法。对几种提取的特征均采用相关滤波法对高分辨率的雷达目标进行识别。经微波暗     

基于滑动相关的UWB雷达目标识别

目标识别是现代雷达领域的一个难点问题．本文基于滑动相关理论，结合超宽带（UWB）雷达能获取目标高分辨力距离像的特性，提出了一种基于滑动相关的UWB雷达目标识别方法．该方法避免了对目标极点的提取，仿真结果表明有较好的识别效果，且算法简明，易于实现．     

基于DS的跟踪制导雷达与动能拦截器目标交接

目标识别匹配是跟踪制导雷达与动能拦截器成功交班的关键环节．从目标匹配角度,对雷达与导引头之间的交接问题进行了研究．首先提取和量化弹道目标典型识别特征,将每个特征作为一个证据,构造每个证据的基本置信指派函数,然后运用DS方法进行分布式计算融合,通过决策规则对融合结果进行判断,完成目标匹配．最后,用算例验证了DS方法对目标交接的有效性．     

基于雷达回波视频信号的目标智能识别方法研究

为了提升常规雷达目标识别的能力,以含有更多目标原始信息的回波视频信号为基础,研究了目标回波视频信号的特征提取,提出一种基于支持向量机的目标识别方法.最后通过仿真实验验证了本文方法的有效性.仿真结果表明,采用本文方法对目标大小识别的准确率与信噪比、采样率有关;对目标机型识别能得到较高的准确率.