粗糙集理论在水下目标识别中的应用

1引言 舰船目标辐射的水下噪声信号[1]包含有大量的目标信息,是被动声呐系统进行目标定位和识别的主要依据.本文从各类水下目标的辐射噪声中提取了四个有效的谱特征作为分类识别的依据,然后引入粗糙集(Rough Set)理论[2][3][4]的基本概念和理论,并将这些原理、算法运用到水下目标的融合识别中去,海上实录信号的分类实验结果令人满意.     

基于听觉感知机理的水下目标识别研究进展

水下目标特征提取与识别技术在国防、生产等领域内有着迫切的需求,目前基于听觉感知机理的水下目标识别研究正处于起步阶段,有着较为广阔的研究与应用前景。在简要介绍听觉感知机理研究情况的基础上,对近年来国内外使用听觉感知机理进行水下目标识别的各类研究成果进行了总结与归纳,针对基于听觉感知机理的水下目标识别领域各方面的研究进展给出了相应的客观评价,并从特征提取与目标的自动识别方面提出了对未来研究方向的展望。     

嵌入注意力机制的卷积神经网络水声目标识别

针对低信噪比水声目标单一特征识别率低,稳健性差的问题,提出一种基于注意力机制和多尺度残差卷积神经网络（Multi-scale Residual CNN with Attention,MR-CNN-A）进行特征融合的识别方法。该方法根据多尺度卷积核与特征图形成多分辨率分析关系,并以此通过注意力机制实现优势特征权值提取与融合,从而提高模型在文中水声数据集上提取目标噪声特征和分类识别的稳健性与抗噪能力。开展了4类舰船噪声和海洋环境噪声的识别试验、水下和水面自主式水下航行器的识别试验,以及不同信噪比条件下目标噪声的识别试验。结果表明：对于文中所涉及的水声目标噪声和人工高斯白噪声干扰,该网络模型识别正确率明显高于支持矢量机与简单卷积神经网络,且对高斯白噪声的抑制能力远强于支持矢量机与简单卷积神经网络,稳健性好,模型复杂度小。     

水下目标空间源数特征提取与识别方法

针对水下目标识别正横阵位问题,并进一步扩大目标识别的阵位范围。给出了目标识别的阵列形式。用水平线列阵进行目标亮点水平方位的源数估计。提取并找出了能反映水下潜艇目标空间特征的特征量。提出了基于信噪比监督的空间源数识别方法,给出了相关矩阵的空间平滑的特征值。还提出了基于信噪比和盖尔圆半径监督的目标特征的自动分类方法。对本文提出的方法进行了大量计算机仿真,仿真结果表明。该方法可在正横阵位有效识别目标。     

S变换在水下目标分类识别中的应用

目标特征提取是目标识别的重要部分。介绍了一种较新的时频分析方法——S变换,对莱蒙湖底四类沉积物的反射回波进行S变换,并提出了提取变换后以频谱图的时间能量谱和奇异值为特征的特征提取方法,分析了四类回波的时间能量谱和奇异值特征的差异,并进一步用距离可分性测度检验了所提取的特征性能。最后利用最近邻分类器分类,仿真结果显示,该特征提取方法是一种有效的、稳定的特征提取方法,将在水下目标识别领域有更多的应用。     

基于统计特征的水下目标一维距离像识别方法研究

目标探测与识别是水下预警监视、信息对抗的重要组成部分。针对水下目标一维距离像识别问题,通过提取目标的长度、重心、高阶中心矩等特征,分析了所提取特征的统计分布特性,利用假设检验构建了目标识别特征的统计模型。结合Bayes统计分类器开展了5类水下目标的识别实验,并与基于距离像回波匹配相关的识别方法进行对比分析,对比结果显示所提出的方法在识别率和运算量方面均有明显改善。     

结合多尺度卷积网络和双端注意力机制的水声目标识别

水声目标识别是被动声呐系统的主要应用之一。为了进一步提升小样本条件下水下目标的识别率,文章提出一种基于多尺度卷积和双端注意力机制相融合的方法。首先,提取梅尔倒谱系数,色度谱和计算谱对比度等特征,建立基于多类别特征子集的三维聚合特征。其次,采用多尺度卷积滤波器算子构造多分辨率卷积神经网络,以更好地适应三维聚合特征的时频结构。另外,采用双端注意力模型捕获样本的全局依赖和局部特性。采用基于指数加权的对数交叉熵函数作为损失函数,提升样本数较少类别的识别率。实验结果表明,该方法在ShipsEar数据上的平均识别率为95.5%,取得了较好的分类效果。     

遗传特征选择方法在水下目标识别中的应用

为了改善分类器的性能,提高水下目标识别的正确率,文中研究了遗传特征选择方法在水下目标识别中的应用,设计了一个新的合适度函数作为评价特征子集的准则。对wine数据集和海上实测的舰船辐射噪声数据集的仿真实验之结果表明,该方法可以选择出描述目标的有效特征子集,降低了特征集的维数,从而改善了分类器的性能。     

基于改进小波阈值去噪的深度学习水下目标分类

由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现：在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。     

基于形状相似度的水下目标识别算法

在水下声纳图像目标检测与识别中,水下目标的识别问题是关键技术之一。基于形状相似度的概念,提出一种新的水下目标形状分类算法。首先对检测到的水下目标阴影区域进行规格化处理,采用改进的形状上下文方法对常见水下目标形状进行分类识别。与传统形状上下文方法相比,改进后的算法具有旋转不变性和模板自适应更新能力。通过对球形、圆柱形和圆台形三类目标的阴影区域进行仿真分类计算可知,该方法具有仿射不变性,分类准确率较高。     

被动声纳目标识别技术的现状与发展

在现代被动声纳系统中，水下目标的自动识别是关键技术之一。文章对被动声纳目标识别的特征提取、特征选择和分类器设计方面进行了回顾。对LOFAR，DEMON和小波变换等特征提取技术进行了讨论，分析了特征优化的重要性和专家系统和神经网络等分类器的优缺点，并简要分析了该领域的过去、现在和未来。     

水下目标特征提取方法研究

有效的特征提取技术是水雷目标识别的基础。文章采用了两种前期研究中较为有效的水雷目标特征提取方法(频域离散小波变换法和常数Q滤波子带能量法),并引入了一种应用在水下目标识别领域中的特征提取方法(波形结构法)。应用此三种特征提取方法提取的特征来识别实雷目标以及假目标,分类器采用三层BP算法的前向神经网络,给出了具体的识别率,说明该特征提取算法是有效的,用波形结构法进行水雷目标的特征提取是可行的。     

模糊融合分类器在水雷识别中的应用

当目标的类别多时会使分类器的精度和稳健性大受影响,用神经网络分类器去完成复杂的目标分类任务是难以保证其可靠性的。引入信息融合条件下一种新型的分类器,即模糊融合分类器,该分类器可以自动“过滤”无效和冗余特征的负面影响,实现有效的特征层融合识别。采用4种特征提取方法,利用三个模糊融合神经网络作为分类器进行特征层的融合,再将分类器的输出作为决策层的融合,提高系统的分类性能。通过处理水雷实体回波数据得出的识别率表明,所选取的特征提取和分类器算法是有效的。     

局域判别基空间能量的水声目标特征提取

考虑水声信号的非平稳性及时变性,对信号进行小波包分解。不同的小波包基可以反映不同的信号特性,基于距离准则,求取小波包局域判别基,在局域判别基的基础上,提出通过求取局域判别基的各子空间的能量,形成特征矢量的特征提取方法。利用Fisher准则函数进行特征选择,得到识别特征矢量,针对识别特征矢量设计神经网络分类器,对三类目标进行分类,验证实验表明,基于这种方法提取的识别特征矢量在水声目标分类识别中是有效的。     

仿射变换下的分类识别

特征提取和分类识别是统计模式识别中两大关键步骤。显然,不同的特征提取方法与不同的分类器相结合,识别性能往往是不同的。从微分几何的角度出发,可将特征系数的获得看成线性几何变换,即仿射变换,据此在黎曼空间提出一种基于黎曼度量的分类识别方法。通过对经典最近邻分类器的线性加权,达到更有效地分类识别。不但在理论上将特征系数提取与分类识别合理的结合起来,而且由人脸识别实验表明该方法的有效性,该方法比传统方法的识别率有约 3%的提高。     

基于奇异值分解的数字图像的特征提取

特征提取是图像识别过程中的重要的一部分,本文利用奇异值分解这种有效的代数特征提取方法,获得图像的有效特征描述,把同一类图像集中的各幅图像的信息矩阵的奇异值向量作为矩阵中的一列构成图像特征矩阵,求出图像类间离散度矩阵和图像类内离散度矩阵,比较它们的相似程度,最终获得有用和有效的特征。     

A comprehensive study on face recognition: methods and challenges

ABSTRACT

Face Recognition is the process of identifying and verifying the faces. Face recognition has vast importance in the field of Security, Healthcare, Banking, Criminal Identification, Payment, and Advertising. In this paper, we have reviewed various techniques and challenges for the face recognition. Illumination, pose variation, facial expressions, occlusions, aging, etc. are the key challenges to the success of face recognition. Pre-processing, Face Detection, Feature Extraction, Optimal Feature Selection, and Classification are primary steps in any face recognition system. This paper provides a detailed review of each. Feature extraction techniques can be classified as appearance-based methods or geometry-based methods, such method may be local or global. Feature extraction is the most crucial stage for the success of the face recognition system. However, deep learning methods have freed the user from handcrafting the features. In this article, we have surveyed state-of-the-art methods of last few decades and the comparative study of various feature extraction methods is provided. Article also describes the current challenges in the area.