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。     

基于多特征融合的红外目标关联算法

利用红外目标同时具有位置、灰度、面积等多特征的特点,提出了一种基于多特征融合的目标关联算法.首先在极坐标系下对目标位置采用概率数据关联算法计算候选目标的关联概率,然后结合目标的灰度、面积特征的预测误差计算关联波门中的候选目标在各种特征条件下的关联概率,进而利用多特征融合方式,计算出综合关联概率,完成目标状态估计的更新.实验仿真结果表明,由于跟踪关联概率由多种特征共同确定,避免了目标位置特征信息不稳定所造成的跟踪精度下降的问题,实现了密集杂波环境下红外目标稳定跟踪,其跟踪精度和稳定性明显高于依靠位置特征信息进行关联的传统概率数据关联算法.     

基于支持向量机的长波红外目标分类识别算法

红外图像的分辨率低和色彩单一,但由于红外设备的全天候工作特点,因而在某些场景具有重要作用.本文采用一种基于支持向量机(support vector machine,SVM)的长波红外目标图像分类识别的算法,在一幅图像中,将算法提取的边缘特征和纹理特征作为目标的识别特征,输入到支持向量机,最后输出目标的类别.在实验中,设...     

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0.06 s,识别率有较大提高,达到98%以上.     

基于特征融合的粒子滤波红外目标跟踪算法

复杂环境中稳健的红外目标跟踪在自主导航、无人机探测、预警等方面具有重要研究意义.就经典粒子滤波红外目标跟踪算法中单一的灰度特征缺乏鲁棒性引起跟踪失效的问题,提出了一种基于特征融合的粒子滤波红外目标跟踪算法.结果表明,该算法能够从跟踪鲁棒性、准确性和实时性3个方面实现稳健的红外目标跟踪.     

基于激光雷达与红外图像融合的车辆目标识别算法

为了提高车辆目标在不同测试条件下的识别效率,降低系统的漏检率和误检率,提出了一种基于激光雷达与红外图像融合的车辆目标识别算法。该算法利用目标原点矩参量表征目标的红外特征,用匹配相似度表征目标的点云特征,再经过轴系对齐和尺度变换实现图像融合。实验采用激光雷达与红外同轴光路获取的两类数据进行图像融合,再利用目标匹配阈值进行迭代筛选,最终识别车辆目标。对比了1帧、20帧和40帧图像中具有不同属性的车辆目标识别效果,结果显示,本算法输出的目标识别区域正确适当。在1000帧图像的多种测试条件的实验中,本算法的漏检率均小于100,误检率均小于50,明显优于传统的距离向数据分类法和光谱分类法,验证了其具有较好的鲁棒性。     

基于红外多光谱图像相关性的自动目标识别算法

提出了一种基于红外多光谱图像相关性的自动目标识别新算法．根据目标、背景和干扰物的红外多光谱特征信息(辐射强度、光谱分布)构造出目标场景的红外多光谱特征矩阵；采用最大距离法分割图像，融合空间和光谱信息重构出研判目标的红外多光谱特征矩阵；根据研判目标的光谱辐射差异特性建立了红外多光谱图像相关识别准则．实验表明，该识别算法正确可行．     

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。     

基于矩特征的三维飞机目标识别

本文介绍了利用矩特征从二维数字图像识别三维物体的方法。利用不变矩和标准矩对五种不同的飞机目标进行了识别，比较了这二种特征的性能，并且分析了特征数目对识别正确率的影响和矩特征在离散情况下的尺度拉伸不变性。研究结果表明利用三阶标准矩并结合方差平衡的特征处理技术可有效地实现对目标的识别。     

基于红外双波段图像融合的点目标识别

为解决红外警戒系统中点目标的识别问题,提出了一种新的点目标识别方法。该方法 首先分别对单波段红外图像进行背景预测与抑制,然后对取自适应阈值后的双波段图像根据目标的运动特征进行融合,最后通过图像序列分析给出最终的目标识别结果。仿真实验表明,该方法对背景有很好的抑制效果,可大大减少目标识别中候选目标点的数目,因而有利于点目标的识别。     

非参数岸岛背景红外舰船目标识别算法研究

由于战场环境复杂且瞬息万变,针对岸岛背景引入了一种快速 的检测/定位算法。该算法能够搜索出感兴趣的红外舰船目标,比如停靠在港口的舰船,而且无需 预先训练。这种方法仅仅使用一幅单一的目标物体样例图片来发现视场中相似的匹配舰 船,而无需对要搜索的物体进行预先学习。从查询图像中提取局部方向核 作为描述器,用于度量一个像素与其邻域间的相似度。然后从这个描述器中提取出显著 特征,并将其与目标图像中的类似特征进行比较。这些比较是使用一个余弦相似度度量矩阵 来实现的。实验结果表明,这个算法表现优异,成功地识别出了复杂背景条件下的舰船目标。     

基于遗传算法红外小目标检测的研究

为解决复杂空中背景下红外弱小目标的快速检测,提出了一种基于遗传算法的检测思路。该思路主要是通过利用遗传算法高效快速的搜索方式,结合传统的红外小目标检测算法,最终实现红外弱小目标的快速检测。最后通过MATLAB编程后,实现了复杂背景下红外小目标的快速检测。通过仿真及与相应的传统算法的比较,发现了遗传算法自身的优势和劣势,最后说明了遗传算法在红外小目标检测领域广阔的应用前景。     

一种红外目标自动识别算法

针对红外图像的特点,提出了一种红外目标自动识别方法,推导了不变矩的计算公式,以试验数据为依据分析了噪声的影响.试验结果表明,对于仅含有一个飞机目标的红外图像,本文提出的方法的识别准确率可达到80%以上.     

一种红外图像小目标滤波算法研究

提出一种红外图像滤波算法,该算法建立在小波变换算法基础上.对非平稳信号的去噪声,小波变换具有时域和频域上的局部性特性、多分辨率分析特性,非常适合用来分析和处理非平稳信号,在保证运算速度的同时也提高了滤波质量.经实验证明,该算法较好地融合了噪声消除和边界保持两大优点,大大改善了图像预处理的效果.     

可视化与非可视化特征融合超声3D目标识别研究

目前常用的超声3D目标识别方法主要是利用传感器在空间一点或多点获取一维回波,通过信号处理得到目标体3D信息以实现3D目标体识别。这些方法普遍存在识别率低和鲁棒性差的问题,制约了该项技术的推广和应用。为此,文中提出了一种基于可视化和非可视化特征融合的超声3D目标体识别方法,该方法将目标体回波信号处理方法与合成孔径方法相结合,将提取的目标体信息在特征层进行了融合,然后经BP神经网络实现了分类识别,可使现有方法的不足得到显著改善。通过对3类人工靶标的实验表明,该方法可显著提高缺陷的3D识别率,能够保持在90%以上,且鲁棒性也得到明显改善。     

基于红外热成像与YOLOv3的夜间目标识别方法

红外热成像图像反应物体温度信息,受环境条件影响较少,对于特定条件下的夜间安防监控、行车辅助、航运、军事侦查等方面具有很强应用价值。近年来使用人工智能对图像中目标检测与识别技术发展突飞猛进,广泛应用于各个领域。本文提出了一种结合红外热成像图像处理技术与人工智能目标识别技术的夜间目标识别方法。实时采集热成像视频进行预处理,增强其对比度与细节,使用基于深度学习技术的最新目标检测框架YOLOv3对采集处理后的热成像图像中特定目标进行检测,输出检测结果。测试结果表明,该方法对于夜间目标识别率高、实时性强,结合了红外热成像夜间监测和人工智能目标检测的优势,对于夜间的目标识别、跟踪技术具有重大应用价值。     

基于改进YOLO v3算法的空中红外目标检测

为进一步提升空中作战条件下目标检测的性能,本文通过优化YOLO v3,提出了一种基于空中红外目标的检测算法EN-YOLO v3。该算法使用轻量的EfficientNet骨干网络作为YOLO v3的主干特征提取网络,使模型参数大幅减少,降低模型的训练时间;同时选用CIoU作为模型的损失函数,优化模型损失计算方法,提升模型的检测精度。结果表明,优化后的EN-YOLO v3目标检测算法与原YOLO v3相比模型尺寸减少了50.03%,精准度提升了1.17%,能够有效提升红外场景下空中目标的检测效果。     

基于深度学习的红外舰船目标识别

本文采用深度学习技术中的YOLOv3(You Only Look Once Version 3)目标识别算法对红外成像仪从海面采集的红外图像中舰船进行识别。红外成像仪采集图像的频率高达50帧/s,为了能减少网络计算时间,本文借鉴YOLOv3的一些思想,采用全卷积结构和LeakReLU激活函数重新设计一个轻量化的基础网络,以此加快检测速度。输出层根据采集回来的红外图像的特点采用Softmax算法回归,在提高检测速度的同时,也兼顾了检测精度。