单演信号在红外图像目标分类中的应用研究

红外成像是夜间观测的重要手段,在军事民用领域都有着广泛运用。针对红外图像目标分类问题,将单演信号引入用于特征提取,用于对目标特性的分析。经过单演信号处理后的红外图像可用幅度、相位和方位三个成分描述。对于每一个成分的多尺度结果,采用矢量串接以及降采样结合的方式构建单一特征矢量。最终构造得到的三个特征矢量能够反映目标的多层次特性。采用联合稀疏表示作为三种单演信号特征矢量的表征模型。在重构过程中,充分利用三类特征之间的关联性从而提高整体重构精度。在不同类别上按照联合稀疏表示的求解结果计算对于测试样本的重构误差,进而决定测试样本的类别信息。该方法通过单演信号获取红外图像中目标的多层次特性,基于联合稀疏表示模型对这些特征进行充分分析和挖掘,从而提高目标分类的精度和稳健性。实验基于公开的中波红外（Medium wave infrared,MWIR）图像数据集开展,分别对原始样本、模拟噪声样本以及模拟遮挡样本进行分类。根据实验结果,并与几类现有算法对比,反映了所提方法对于红外图像目标分类问题能够取得更高的有效性和稳健性。     

结合多源特征与高斯过程模型的SAR图像目标识别

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别问题,提出结合多源特征和高斯过程模型的方法。分别利用主成分分析(Principal Component Analysis,PCA)、非负矩阵分解(Non-negative Matrix Factorization,NMF)以及单演信号提取SAR图像的特征矢量,并将它们串接为单一矢量。三类特征从不同角度描述SAR图像目标特性,从而为目标识别提供更为有效的信息。决策分类过程采用高斯过程模型进行多元分类,基于融合特征矢量获得概率意义上的最佳决策。实验中,采用MSTAR数据集设置3类目标、10类目标、型号差异以及俯仰角差异识别问题,结果验证了提出方法的优越性能。     

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。     

长波红外偏振图像信息的提取与增强

基于长波红外偏振成像探测技术在目标检测识别领域的优势,本文搭建了长波红外偏振成像探测系统,采集了室内外典型目标的长波红外偏振图像,提取了三类典型目标的斯托克斯矢量、偏振度、偏振角以及两个组合特征δ与ρ等图像信息,并对其特点进行了详细分析。基于对图像偏振信息的解算,提出了一种目标背景对比度增强方法。实验证明该方法可行且有效。     

一种基于目标区域特征的红外与可见光图像信息融合方法

基于异源图像的信息互补关系, 提出了基于目标特征区域的小波变换融合方法。首先采用基于模糊C-均值聚类(FCM)的方法, 提取红外图像的目标特征区域, 用于异源图像目标特征区域的局部信息融合, 达到在可见光图像中加入红外目标信息的效果。其次以第一步融合的图像替换原有的可见光图像, 并采用小波变换的方法实现与红外图像的融合, 获得最终的融合图像。采用图像质量评价标准对本文算法和其他融合算法的实验结果进行分析对比, 证明所提出方法的有效性。     

多尺度特征融合与极限学习机结合的交通标志识别

针对卷积神经网络只能使用相同尺寸图像和卷积核的网络进行特征提取,导致提取的特征不全面,在交通标志识别中因车载摄像头与交通标志的位置不断变化影响交通标志的识别精度等问题,提出了一种基于多尺度特征融合与极限学习机结合的交通标志识别方法。首先,将预训练适应3种不同尺寸图像的网络模型作为实验的初始模型;然后,融合3个网络模型构建多尺度卷积神经网络,将3个预训练网络的参数级联到融合模型的全连接层,对融合模型的全连接层进行训练,采用随机梯度下降算法更新网络参数;最后,将融合后的模型作为特征提取器提取特征,把提取到的多尺度特征送入极限学习机,实现交通标志识别。实验采用德国交通标志数据库(GTSRB)对算法性能进行测试,实验结果显示,多尺度特征融合与极限学习机结合的网络识别精度为99.23%,识别速度为46ms。相对于预训练的网络,网络的分类精度分别提高了2.35%,3.22%,3.74%。多尺度特征融合能够有效提取交通标志图像的特征信息,极限学习机可以提高分类精度和分类时间,该方法能满足交通标志识别的准确性和实时性的要求。     

一种多视角SAR图像目标识别方法

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标识别问题,提出了一种联合多视角的方法。基于图像相关准则对多视角SAR图像进行聚类分析,获得若干视角集。分别对每个多视角子集采用多重集典型相关（Multiset Canonical Correlations Analysis,MCCA）进行特征融合,获得特征矢量。采用联合稀疏表示对各个视角集的特征矢量进行表征分类,获得决策结果。在样本丰富的MSTAR数据集上开展实验与分析,结果表明,所提方法对10类目标样本在标准操作条件、噪声干扰以及遮挡情形下均可以取得优势性能,验证了其有效性。     

基于LGBM的Zernike特征选取及红外图像目标识别方法

红外传感技术有效解决了夜间观测的难题,成为现代战场侦察的重要手段之一。不断提升基于红外图像的目标识别能力是实施精确打击、态势感知的有力途径。针对红外图像识别问题,提出基于轻量级梯度提升机（Light Gradient Boosting Machine, LGBM）的Zernike特征选取算法,并结合稀疏表示分类器（Sparse Representation-based Classification, SRC）完成目标类别确认。首先,基于红外图像中的目标区域提取多阶Zernike矩特征,表征待识别目标的本质特性;其次,采用LGBM特征选择算法对多阶矩特征进行二次筛选,减少冗余的同时提高特征的针对性;最后,基于SRC对最终选择的Zernike矩特征矢量进行分类。该方法通过LGBM的特征选择有效提高了最终特征的有效性,同时降低了分类的计算复杂度,有利于提高整体识别性能。采用公开的中波红外目标图像数据集（MWIR）开展验证实验,对10类典型军事目标进行区分识别。实验分别在原始样本、噪声干扰样本以及部分缺失样本三种条件下进行并与几类现有红外目标识别方法进行对比讨论。结果表明:所提方法可取得更优性能,证明其有效性。     

基于混合卷积自编码极限学习机的RGB-D物体识别

有效学习丰富的表征信息在RGB-D目标识别任务中至关重要,是实现高泛化性能的关键。针对卷积神经网络训练时间长的问题,提出了一种混合卷积自编码极限学习机（HCAE-ELM）结构,包括卷积神经网络（CNN）和自编码极限学习机（AE-ELM）,该结构合并了CNN的有效性和AE-ELM快速性的优点。它使用卷积层和池化层分别从RGB和深度图来有效提取低阶特征,然后在共享层合并两种模型特征,输入到自编码极限学习机中以得到高层次的特征,最终的特征使用极限学习机（ELM）进行分类,以获得更好的快速泛化能力。文中在标准的RGB-D数据集上进行了评估测试,其实验结果表明,相比较深度学习和其他的ELM方法,文中的混合卷积自编码极限学习机模型取得了良好的测试准确率,并且有效地缩减了训练时间。     

基于筛选深度特征的红外图像目标识别方法

红外成像是现代战场侦察的重要手段,基于红外图像的目标识别技术可为情报解译提供重要支撑。针对红外图像目标识别,提出基于筛选深度特征的方法。设计适当结构的ResNet对红外图像进行特征学习,对于每个卷积层的输出特征图进行矢量化处理,获得相应的特征矢量。针对各个特征图的深度特征矢量,基于斯皮尔曼等级相关系数评价它们与原始图像的相关性。然后,通过门限判决算法选取若干具有高相关性的深度特征。经过筛选得到的深度特征可剔除了不必要的冗余成分,从而提升后续分类的精度和稳健性。采用联合稀疏表示模型对筛选得到的若干深度特征进行表征和分类,最终获取待识别样本的所属类别。因此,方法可有效结合ResNet多层次深度特征的鉴别力,从而提高最终的识别性能。实验在公开的中波红外目标图像数据集（MWIR）开展,利用原始测试样本、模拟噪声样本和模拟遮挡样本对方法性能进行测试和分析。实验结果表明:相比现有的部分红外目标识别方法,提出方法可取得更强的有效性和稳健性。     

一种新颖的红外与可见光图像融合方法

为了提升红外和可见光图像融合效果,提出了一种新颖的融合方法。对可见光图像利用支持向量机和腐蚀膨胀算法在图像分块的基础上进行分割获取含有重要场景信息的特征子图像和灰度场景子图像;对红外图像进行热目标边缘提取并增强,结合前述特征子图像和最大类间方差法获取边缘增强的目标子图像,特征子图像和灰度场景子图像。利用小波包分别对两特征子图像,两场景子图像进行融合。融合过程中,根据子图像特点择取不同融合准则,并对高频融合系数进行系数修正使其更为准确可靠。将红外热目标注入到前述融合结果中获取最终融合图像。实验结果表明,提出算法从主、客观评价上都要优于对比算法。     

应用支持向量机分类的多角度目标识别技术

综合应用图像的不变矩特征和支持向量机分类方法,提出了一种对于红外图像中多角度目标的识别方法。首先通过目标分割算法求得红外图像中目标的轮廓图像,然后从轮廓图像的Hu矩、Zernike矩和Fourier-Mellin矩中选取适当阶次的矩特征组成目标在特定视角范围内的不变性特征向量;对目标的视角范围进行适当划分以解决多角度引起的目标样本多样性,并在每个划分的视角范围内分别应用支持向量机的方法进行多目标分类。测试结果表明,本文提出的方法较好地实现了红外图像中多角度目标的识别问题,是一种有效的自动目标识别算法。     

基于卷积神经网络结合NSCT的红外与可见光图像融合

传统红外与可见光融合图像在复杂环境下存在细节缺失,特征单一导致目标模糊等问题,本文提出一种基于卷积神经网络结合非下采样轮廓波变换（non-subsampled contourlet transform,NSCT）的红外与可见光图像进行融合的方法。首先,通过卷积神经网络提取红外与可见光目标特征信息,同时利用NSCT对源图像进行多尺度分解,得到源图像的高频系数与低频系数;其次,结合目标特征图利用自适应模糊逻辑与局部方差对比度分别对源图像高频子带与低频子带进行融合;最后,通过逆NSCT变换得到融合图像并与其他5种传统算法进行对比;实验结果表明,本文方法在多个客观评价指标上均有所提高。     

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。     

基于方向梯度直方图和局部对比度特征的海面背景红外图像分类

在复杂多变的海面环境下,应用红外成像技术对海面中小目标进行搜救时,为有利于后续针对不同场景的目标处理,有必要对采集的原始图像进行分类处理。根据不同的环境条件,将海面红外图像分为五类场景。从两个方面对训练集图像进行特征提取,一个是通过高斯滤波将图像分为基础层和细节层,然后使用改进的方向梯度直方图（HOG）方法提取特征;另一个是提取图像的局部对比度得到局部特征。将提取的特征向量融合并输入到分类器中,使用支持向量机（SVM）对测试集图像进行分类。文章使用了HOG和局部对比度方法（LCM）结合的新特征描述符对海面红外图像的场景进行分类,与其它方法相比,结果表明改进方法的准确率达到96.4%,体现了可行性和有效性。