基于CNN的二维码识别算法研究

针对生活中大量二维码需要准确识别的需要,提出了一种利用深度学习算法实现二维码识别的方案。该方案利用ROI与鼠标监听技术聚焦待识别区域,线性变换优化图片细节信息;采用CNN网络框架对模型进行训练,提取图片特征;基于OpenCV库设计二维码识别算法。结果表明,该算法对二维码识别率高达98.0%,具有一定的抗干扰能力。     

面向小样本数据的水下目标识别神经网络深层化研究

在面对新时期海洋工程应用领域的挑战时,可以通过利用基于深度学习的神经网络在水声工程中的实现,来达成自动化、高效性、准确性的目标。然而在面对水下目标样本匮乏、水下声环境复杂、样本信噪比差等客观问题时,深度学习也会因其自身的局限性而变得不那么灵敏。针对小样本问题,通过构建多种目标特征提取法和深层深度神经网络模型,得到了不同目标特征提取与网络模型匹配后的目标识别率与网络预测值,并通过比对实验结果,提出了通过深层神经网络深层化设计解决小样本目标识别的新思路。     

适用于水下目标识别的快速降维卷积模型

针对传统卷积神经网络在相对较小的数据集上训练容易过拟合的问题,本文提出一个适用于水下目标识别的快速降维卷积网络模型(FRD-CMA)。该模型基于卷积核与特征图对应关系描述模型在数据集上的注意力,并以此进行快速降维,从而降低模型在小数据集上应用时存在的过拟合风险。FRD-CMA模型支持水下目标辐射噪声的端到端处理,通过提取辐射噪声的声音特征并依照水听器的时序关系进行矢量化处理,可以保持模型源输入特征不被破坏。试验结果表明:相较于之前的水下目标识别任务,FRD-CMA模型识别率提高5%,且模型训练时间缩短30%。     

一种Chirplet神经网络自动目标识别算法

针对飞机目标的自动识别问题,提出一种联合特征提取与分类的Chirplet神经网络方法,实现一维高分辨率距离像的识别。Chirplet神经网络将Chirplet原子变换用于多层前馈神经网络结构的输入层,替换传统的激励函数对距离像序列进行特征提取;网络的分类部分由隐层和输出层组成。在训练过程中调整神经网络权值的同时,完成对Chirplet原子时频参数的自动调整,协调优化特征参数和分类器参数,使Chirplet神经网络同时实现特征提取和目标分类。对4类飞机目标的仿真测试结果表明,相比时频变换和Gabor原子网络等方法,具有四特征参数的Chirplet神经网络方法具有较高的识别率和抗噪性能。     

水下目标特征提取方法研究

目标特征提取目标识别和关键问题,良好的特征提取方法应该是用较少的特征存储量表达目标准确的物理意义,水下目标回波特性既可以由时间域的冲击响应描述,也可以由频率域上的系统函数描述,无论那种描述都是不全面的,本文通过对回波亮点谱特征的研究,提出了一种有效的特征提取方法－频域离散小波变换法（FDWT法）,其优点是能从复杂的目标回波中提取目标的弹性特征,并且特征维数低,将此方法用于三种目标的湖试数据,采用三层BP算法的前向神经网络对目标进行分类,得到了较高的识别率。     

基于改进SIFT特征和粒子滤波的目标识别仿真研究

针对在目标识别中原始SIFT（尺度不变特征转换）特征算法计算量大,特征点匹配耗时长等缺陷,采用一种改进的SIFT特征算法。在原始的SIFT算法基础上简化了特征描述符,以及对匹配算法进行了改进,考虑到识别过程中目标物体的特征点会发生变化,因此结合粒子滤波来实现对目标物体的识别。仿真结果表明：该方法继承了原始SIFT算法的优点,有效地避免了一些干扰,减小了计算量,在结合粒子滤波算法后能够有效地更新特征点的匹配,最终实现了对目标物体准确的识别。     

基于CNN的车牌数字字符识别算法

针对传统车牌识别算法识别率低、鲁棒性差等问题,提出一种基于卷积神经网络结构车牌数字字符识别算法.在卷积神经网络的基础上用ReLU激活函数代替传统的Sigmoid激活函数,引入卷积步长等操作,不仅加速网络的收敛,而且降低了网络参数的数量.实验结果表明:与传统特征提取算法相比,该算法识别率最高,达到95.2%,识别率波动范围小,鲁棒性强.     

基于不变性特征的水下目标特征提取

针对水下成像环境的特殊性和复杂性,分析了在离散状态下比例因子对不变矩特征的影响,构造了基于区域矩的仿射变换不变量,以克服水下不确定因素给目标识别带来的困难,为了验证所提取特征的有效性,对球体、椭球体、三棱柱和四棱柱4类水下目标进行了特征提取试验．仿真试验结果表明,该方法在对简单背景水下图像的特征提取上能够取得较好的效果,可有效地克服水下图像灰度分布不均和环境不确定因素的干扰,实现了对水下目标的区分．     

利用尺度不变量特征的ISAR二维像自动识别技术

在平移、旋转、投影和遮挡等条件下,逆合成孔径雷达对目标成像不理想,会导致逆合成孔径雷达二维像目标识别困难．针对这个问题,提出了一种新的逆合成孔径雷达二维像特征提取方法,可以在不同的目标姿态获得有效的识别结果．利用尺度不变量变换,提取逆合成孔径雷达二维像的尺度信息,并按照从大到小的顺序重新排列,称为顺序尺度．将顺序尺度截取相同长度作为不变量特征,利用基于支持矢量机的识别算法选择RBF核函数,对逆合成孔径雷达二维像进行目标识别．仿真结果表明,利用顺序尺度作为特征变量,可以对逆合成孔径雷达二维像进行有效识别．     

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.     

基于双谱的水下目标辐射噪声的特征提取与分类研究

以大量的水下目标辐射噪声资料为依托，借助高阶累积量分析法，研究了目标信号的非高斯特性。基于双谱估计和Walsh维数压缩技术提取了不同类别目标的65维双谱特征。结果表明，该特征对水下目标辐射噪声信号具有很好的分类效果，同时又能有效地抑制高斯有色噪声。对于六类水下目标辐射噪声信号，可取得约92％的正确分类率。     

一种基于局部窗口的SAR图像目标检测算法

针对合成孔径雷达(SAR)目标检测精确性、实时性和鲁棒性的要求,设计了一种基于局部窗口的SAR图像目标检测算法。该算法在对获取的SAR图像进行去噪和分割处理的基础上,基于尺度不变特征变换(SIFT)实现了亚像素精度快速配准策略;同时,通过SIFT特征的描述结果降维和基于局部窗口的最大期望算法(EM)实现了目标检测。实验结果表明,该算法对复杂背景和光照、旋转变化有较强的自适应性,获得了理想的目标检测效果。     

基于YOLO神经网络的雷达目标成像识别评估研究

针对复杂地面背景环境下的武器装备精确探测识别需求,采用Lee增强滤波、对比度自适应直方图均衡化和能量归一化等图像预处理方法,提高SAR图像质量;通过引入两个可学习的参数和采用基于非极大值抑制(NMS)方法构建了优化的YOLO神经网络目标识别方法,对基于轮廓、纹理等特征的地面目标SAR图像自动识别进行了实验.实验结果表明...     

基于ViBe算法运动特征的关键帧提取算法

针对视频关键帧提取算法中运动类视频运动目标特征不易提取所造成的错选和漏选问题,提出一种基于背景建模(visual background extractor, ViBe)算法的前景运动目标特征提取的关键帧提取算法。通过ViBe算法对视频序列进行前景目标检测,提取前景运动目标的尺度不变特征变换(scale invariant feature transform, SIFT)特征,并对相邻帧之间的特征数据进行特征点匹配,根据定义的公式计算视频帧的相似度,然后根据提出的关键帧判别方法输出视频的关键帧。试验结果表明,该算法能较好的解决运动类视频关键帧提取中出现的漏选和错选问题,与基于SIFT分布直方图的算法相比,其查准率和查全率的综合指标F₁值有较好提高。因此该算法对于判别运动类视频中包含关键动作的关键帧具有较好的检测效果。     

基于双目视觉的目标识别与定位

给出一种双目视觉系统结合SURF(Speeded Up Robust Feature)特征的目标识别与定位方法,分析了采用SURF特征实现目标识别的方法,利用双目视觉的原理求取识别出的目标物体的三维坐标信息,从而实现目标物体的识别与定位,与传统的基于SIFT(Scale Invariant Feature Transform)特征或基于颜色形状特征的目标识别与定位方法相比,该方法更具有鲁棒性和实时性.实验结果证明了该方法进行目标识别与定位的可行性,具有一定的应用价值.     

基于生成式对抗网络和多级小波包卷积网络的水下图像增强算法

为了解决水下图像的雾模糊和偏色问题,针对水下图像成像模型提出基于生成式对抗网络（GAN）和改进卷积神经网络（CNN）的水下图像增强算法. 利用生成式对抗网络合成水下图像,以对配对式水下图像数据集进行有效扩充. 利用多级小波变换,以不丢失特征分辨率的方式对水下图像进行多尺度分解,然后结合卷积神经网络利用紧凑式学习方式对多尺度图像进行特征提取,并利用跳跃连接以防止梯度弥散,克服水下图像的雾模糊效应. 利用风格代价函数学习彩色图像各通道间的相关性,提高模型的色彩校正能力,克服水下图像色彩失真的问题. 实验结果表明,相较对比算法,在主观视觉和客观指标上,本研究所提算法拥有更优秀的综合性能及鲁棒性.     

多传感器协同探测目标的分类识别研究

采用可见光、红外、SAR、高光谱、电子信号5类传感器对目标进行协同探测,提出了一种基于神经网络与D-S证据理论结合、采用“分层有序”进行目标分类识别的方法,该方法先对目标进行粗分类,然后进行细分类,能准确有效地进行目标的分类识别．