移动机器人目标识别与定位算法发展综述

通过对移动机器人目标识别与定位算法中传统的目标识别算法、基于深度学习的目标识别算法和基于各类传感器的目标定位算法的特点进行综合分析,得出了2点启示,也是以后有待解决的关键技术:1)减小算法计算量以降低对硬件性能的依耐性;2)将目标识别算法与定位算法相融合以实现实时的目标识别与定位.     

多传感器目标特性测量及数据融合应用

通过对单一探测模式的特点以及典型地面装甲的多种光电特性曲线及图像特征的分析，阐述了多模探测复合原则，以及多模复合回波数据融合结构，讨论了多传感器信息融合的模型和分析方法。基于多传感器信息融合技术有利用不同传感器工作方式上的协同作用和所获取目标信息的互补性，提高对目标的识别能力达到改善系统性能的效果。     

一种基于深度学习的无人艇海上目标识别技术

目前,我国正在大力发展海洋武器装备,其无人化研究得到广泛关注,其中海上无人艇智能化是研究热点。针对我军对海上大中型目标检测和高精度定位的需求,进行基于深度学习的海上无人艇目标识别技术设计。设计了多源、多体制协同感知架构,以解决设备智能计算任务重复与资源浪费和深度学习加速问题;进行多层次特征提取、分析、融合技术设计,确定单/多传感器特征选取对象;开展基于深度学习的多特征目标检测、识别技术设计,建立基于深度学习网络的多源多维联合检测、识别处理方法。实验验证结果表明,所设计的方法对可见光图像识别率达99.7%以上,具有良好的识别效果。     

无线传感器网络仿真中的目标定位问题

针对在无线传感器网络仿真平台的设计里,单个可见光传感器无法获得运动目标的距离信息,无法实现运动目标的定位及多传感器的信息融合的问题,提出一种基于多个可见光传感器数据融合的运动目标定位方法。该方法将数字图像处理与数据融合技术相结合,采用运动目标检测与识别技术确定目标个数与种类,运用数据融合技术融合多个传感器的识别结果及节点位置信息,很好地解决了仅利用可见光传感器仿真的情况下,运动目标在监控场景里的定位问题。     

雷达／红外数据融合的机动目标跟踪算法综述

雷达与红外数据融合能够实现信息互补,提高目标跟踪精度、识别能力以及增强系统的抗干扰性,因此受到广泛关注。针对雷达和红外数据融合跟踪机动目标的体系结构,基于近几年国内外的研究,对整个体系中的算法进行了综述。     

基于Pix2Pix算法的虚拟图像生成与可用性验证

目前基于深度学习的目标检测算法需要大规模的训练数据,然而实地收集数据一般周期较长,且针对某些特定场景(如高原、沙漠等)搜集大量数据较困难,难以满足深度学习算法的训练要求.本文采用了一种基于Pix2Pix算法的图像生成方法,在收集到少量真实图像的基础上,利用Pix2Pix算法产生虚拟图像,并设计试验验证虚拟图像的可用性.试验结果表明,虚拟图像和真实图像具有相似的灰度特征和边缘特征,利用真实图像训练的目标检测模型能够准确识别虚拟图像中的车辆、行人等目标,该虚拟图像生成方法能够生成与真实图像具有相似目标特征和背景特征的图像,是一种有效的数据增强方法.     

目标识别与定位的快速融合算法

针对目前的车载火控系统不能自动识别目标类型、准确定位造成反应速度慢和命中率低的问题,文中提出了一种基于图像信息的目标识别与定位的快速融合算法。该算法通过火控系统配置的图像采集装置实施对前方目标的实时监视,采用偏序关系认准、模板匹配和视差测距算法融合实现对目标类型的识别与距离检测,为火控系统的自动化、智能化水平的提升提供了一种有效的技术手段。该算法运算周期小于50ms,识别准确率高达98%,在2000m视距内距离检测误差小于1m。     

基于红外相机和毫米波雷达融合的烟雾遮挡无人驾驶车辆目标检测与跟踪

战场环境下无人驾驶车辆的感知系统易受烟雾、扬尘等天气的影响,对关键目标的检测与跟踪能力大大下降,造成目标漏检、目标误检、目标丢失等严重后果。针对该问题,开发毫米波雷达和红外相机融合系统,采用目标级融合方式建立简洁有效的融合规则,提炼和组合各传感器的优势信息,最终输出稳定的目标感知结果。对毫米波雷达的目标进行有效性检验和提取,并提出改进的基于密度的含噪声空间聚类应用算法,以减少毫米波雷达噪音干扰。以YOLOv4网络为基础,引入MobileNetv2主干网络,在网络训练过程中运用迁移学习方法,同时对红外数据样本进行扩充,解决了红外图像训练样本少的问题。试验结果表明,相较于仅基于红外相机的算法,融合检测算法在烟雾环境下的精度显著提升,且算法实时性高,实现了烟雾环境下毫米波雷达与红外相机融合的目标检测与跟踪,提高了无人驾驶车辆目标检测与跟踪系统的抗烟雾干扰能力。     

基于CNN的弹载图像目标检测方法研究

针对弹载图像目标检测存在适应性不足和智能度不高的问题,阐述了基于卷积神经网络的单帧和多帧图像目标检测算法;提出了在应对恶劣天气、目标旋转及尺度变化、精度速度权衡等难点中的解决策略,包括了在模型、网络结构、训练手段等方面的改进方法。同时,在通用数据集和构建的军事目标专用数据集上进行监督学习训练,对主要算法进行性能比较。结果表明,基于CNN算法能够满足实时性要求,有效提高检测能力,具有更强的环境适应性。     

基于深度学习的红外图像遮挡干扰检测方法

红外成像体制进行目标探测和识别时,烟幕、云雾等遮挡类干扰会改变目标特征导致目标识别错误。通过对遮挡干扰区域进行定位和类型判断,在识别处理时进行针对性处理可大大降低识别虚警率,提高识别的抗干扰能力。为此,提出一种基于深度学习单通道检测器改进的红外图像厚云、烟幕遮挡干扰检测方法。该方法通过网络多层特征的复用和融合,实现了多尺度预测;利用动态锚框模块改进锚框机制,提高了检测精度;将网络中的卷积层与批归一化层合并,提高了检测速度;引入中心损失函数对分类函数进行优化,提高了网络对遮挡物的分类能力。在网络训练过程中,提出一种红外样本增广方法,对数据量进行有效扩充,解决了红外图像训练样本获取难的问题。实验结果表明,与未改进前的算法相比,在速度基本相同情况下改进的遮挡干扰检测方法检测精度提高3.7％,有效地解决了复杂环境下红外自动目标识别系统抗干扰能力较弱的问题。     

自动光电/红外传感器图像匹配

图像匹配是自动目标识别中的一个重要环节,特别是对于多传感器系统。匹配的目的是在两幅图像中建立一致性并且测定它们校准后的几何特征。由于光电和红外传感器工作在不同的频率波段,因此它们的图像就有不同的灰色梯度特征。来源于不同传感器的信息紧密结合成一相称的整体有助于目标识别,并且能用来改善自动目标识别系统的探测和跟踪能力。然而,在光电图像中的特征通常与红外图像中的不一样也给匹配带来了困难。因此,光电和红外成像的自动匹配就非常困难。大多数现有的图像匹配算法不能很好地处理光电／红外数据。     

基于图像融合的弹群对地目标识别仿真研究

针对利用导弹集群进行智能化协同作战的问题,提出一种基于视觉的弹群对地面目标识别的仿真系统。研究主要包括基于RGB图像和红外图像融合的对地目标识别、有限通信范围的分布式弹间通信以及实时可视化弹群节点的感知态势。仿真结果表明：基于图像融合的识别算法能有效提升弹群节点对地面目标的识别效果,具有较好的工程可行性,基于分布式的有限通信范围的弹间通信有助于提升弹群系统整体的鲁棒性和信息传递的稳定性。     

系统与系统的对抗——数据融合技术在舰艇作战系统中的应用

多传感器数据融合技术又称为多源综合技术,是目标自动实时识别、自动进行威胁判断和作战指挥系统智能化的基础;介绍了数据融合技术在舰艇作战系统中的应用与发展,认为在数据融合技术中,功能模型和模式算法是亟待研究的重点问题。     

基于惯性测量与视频图像信息综合的抗遮挡跟踪策略在机载光电侦察瞄准系统中的应用研究

目标跟踪是机载光电侦察瞄准系统的一个重要工作模式,其性能的优劣直接决定着载机系统完成任务使命的效能。针对机载光电侦察瞄准系统目标跟踪应用中存在的主要问题和技术难点,本文基于系统多源传感器构型及应用特点,综合组合惯导、运动测量、伺服控制、地理坐标及图像信息等多维度参数,提出了一种基于惯性测量与视频图像信息综合的智能目标跟踪策略,通过仿真分析与飞行测试表明,该策略有效提高了目标跟踪抗遮挡性能,实现了全动态复杂场景下稳健持久跟踪,提升了载机系统侦察监视、目标定位、瞄准引导的作战能力。     

基于Hough变换的测量图像质量评价

针对光电经纬仪图像测量处理的具体要求,依据目标定位精度取决于测量图像目标边缘成像效果的原理,提出了一种新的测量图像质量评价方法。本文利用经纬仪拍摄的方位标图像,基于Hough变换技术进行方位标图像边缘检测,通过计算目标边缘直线的断线率,实现测量图像的质量评价。该方法准确地反映了图像边缘成像效果对目标识别和定位的影响,实现了测量图像质量的客观评价。     

传感器融合技术:创造最佳态势感知能力

传感器融合技术起源 传感器融合技术源于数据融合技术.1985年,美国国防部试验室联合理事会(JDL)所属的数据融合研究小组(即后来的数据与信息融合研究小组)首次提出了数据融合模型. 该模型历经数次改进,现作为数据功能分类的一种参考标准,已得到广泛运用,其有效增强了各个层次作战单位的态势感知能力. 传感器融合技术或许也可以称作"情报融合技术"——这也是当初数据融合研究小组对"信息融合"中"信息"一词的扩大化解释——因为该技术能够实现对所有数据的整合分析.在这一过程中,来自多个传感器(影像/雷达/信号情报/运动觉察器等)的定位与识别数据得到融合,生成一个有效的合成"图像",并且能够消除重复轨迹和定位偏差,产生最准确的目标引导信息.其最终成果涵盖了视觉、电子与语言信息,情报评估能力完全达到了"1+1＜2"的效果.     

防空反导光电组网探测概率仿真评估

单台光电设备覆盖空域小、探测盲区大,对超低空飞行、隐身性强的目标探测概率低,光电组网能够扩展空域覆盖范围,提高目标探测概率。为获取最优光电组网方案,对其探测概率进行评估。给出基于目标运动模型的目标截获与数据获取仿真方法,采用基于最小一乘估计的自适应加权融合算法对目标数据融合处理。在单站目标探测概率基础上,建立多站目标探测概率的计算模型以及基于多站重叠覆盖区域的系统探测概率计算模型,提出光电组网系统对目标的探测概率评估方法。结合星型布站实例,对光电组网探测概率量化评估。评估结果表明：若单站探测概率≥80%,则组网探测概率≥89.4%;组网探测概率仿真评估能够为光电组网方案提供数据参考,支撑构建网络化光电探测系统。     

目标识别能力测试仿真图像的生成

目前采用实际拍摄图像测试经纬仪目标识别能力时,存在着外界环境难以掌握、标准难以统一的问题.根据经纬仪测量图像目标识别的原理,提出了一种基于目标图像缺损和遮挡的仿真图像建立方法.本方法通过多个目标图像的叠加,模仿了目标图像在经纬仪跟踪过程中的各种变化.利用此仿真图像可实现目标识别算法的测试,客观地反映目标识别算法对经纬仪测量图像成像质量的适应能力.     

基于双卷积链的双目人体姿态距离定位识别

现有的基于无人机的目标定位与判别方法往往达不到实用性要求,而采用无人机常用单摄像头采集的图像信息往往只能获取二维信息,无法获得摄像头基于目标的相对距离。常用的基于双摄像头的距离采集算法又过于复杂,不够稳定,且要求开发人员具有较高的知识水平,固件开发门槛高,应用困难。因此,提出了通过双摄像头下人体姿态识别图像数据集,训练基于双通道Darknet-53基本结构的特征提取网络,运用其参数初始化YOLO-V2网络,通过在训练用于识别人体姿态图像中的人体位置、相对距离以及所属类别。实验结果表明：利用该方法进行人体姿态的人体位置和类别识别,相比于单卷积链的YOLO-V2在识别准确度提高了3.85%、4.83%,且在基于目标的相对距离上精度高于65%;新算法能有效用于无人机远距离快速识别人体姿态并取得较好的识别效果,满足实时需求。     

复杂战场对抗环境下空中目标抗干扰识别算法

针对复杂背景和红外诱饵对抗环境下红外成像攻坚破甲导弹空中目标识别的难题,提出融合强判别性特征的抗干扰识别算法,将区域生成、特征学习和分类识别融合至抗干扰算法中,形成从像素至区域,再到特征识别的逐级抽象的识别框架。首先通过模拟典型战场环境,生成大量不同对抗态势下的目标特性库,作为算法研究的基础;然后由像素相似性聚类形成候选区域,完成区域“粗粒度”定位;再将提取的各区域特征输入至特征选择模块,学习强判别性的特征;最后将选取的特征输入至改进的多分类支持向量机进行目标的分类识别,实现目标区的“细粒度”锁定。通过逐步细化的识别机制,识别复杂战场对抗环境下的空中目标。验证试验表明,算法在不同对抗态势下的弹道图像数据集中的平均识别正确率达到78.63%,可有效完成目标与干扰之间的区分,为工程应用中的算法研制提供支撑。