雷达组网航迹灰色关联方法

针对雷达组网航迹关联问题,提出了一种基于灰色区间相对支持度的解决方法。通过分析雷达量测值与目标真实值之间的不确定关系,提出利用相对确定的区间数来处理测量误差的影响,在不同纬度区间数的基础之上构建灰色区间,通过计算灰色区间相对支持度,构建灰色区间相对支持度矩阵,将相对支持度最大的两个灰色区间作为判断航迹关联的依据。实例表明,该方法能够较好地解决组网雷达航迹关联问题。     

基于拓扑序列法的灰色航迹关联方法

为了解决组网雷达存在系统偏差情况下的航迹关联问题,提出了基于拓扑序列法的灰色航迹关联方法。首先,采用灰色理论生成当前时刻目标拓扑序列的灰色关联矩阵,并建立航迹间的相关度量;然后,运用全局最优化方法对相关度量矩阵进行最优化分配获得航迹关联对。该算法采用全局最优化方法避免了门限选择不当对正确关联概率带来的影响,有效地利用了航迹的空间分布信息和状态信息。仿真结果表明,该算法可以有效地实现系统偏差情况下的航迹关联。     

基于孪生神经网络的航迹关联方法

日益复杂的电磁环境对战场目标探测提出了很高的要求。由于多雷达融合系统的不断发展,如何准确快速地完成多雷达的航迹关联成为一个亟待解决的问题。现有的关于航迹关联算法的研究大多只考虑雷达上报的最新目标航迹点,而没有考虑先前的航迹信息。除此之外,大多数航迹关联算法对于航迹异步问题的解决方法是进行时间配准,这不仅增加了算法本身的计算开销,还放大了航迹信息中包含的误差,因此难以应用于目前复杂的电磁环境中。本文提出一种适用于对异步航迹进行关联的、且无需进行时间配准工作的基于孪生神经网络的航迹关联算法(TTCSN)。该算法首先将待关联航迹两两组成一对,将其成对地送入特征提取网络中,再利用共享权重的双向LSTM网络提取输入航迹的隐含特征,之后对两条航迹的特征向量进行相似度计算,得到相似度向量,最终送入分类器完成关联航迹与非关联航迹的判别。实验表明,TTCSN算法能够有效地解决异步航迹关联问题。     

基于航迹关联方法的运动车辆检测方法

本文研究了毫米波雷达在智能车辆上的应用,借鉴航迹关联的方法,采用邻近距离法来关联雷达帧间目标,从而达到运动车辆检测的目的,实验结果证明了该方法的有效性和可行性。     

一种分布式雷达网中的航迹关联方法

针对分布式雷达网中多航迹关联时间复杂度高的问题,提出了一种分布式多雷达区域航迹关联方法。在定义了方格坐标系的基础上,根据一定的划分准则,将整个目标区域分剖成若干子区域。在相邻子区域内进行关联性判断,而非相邻子区域内不进行关联性判断。通过典型的场景计算验证了该方法的可行性和有效性。     

一种多普勒盲区下的航迹片段关联方法

在多目标跟踪过程中,机载预警雷达固有的多普勒盲区容易引起目标航迹中断和重起批,形成大量航迹片段,从而增加雷达情报分析的难度。基于此,提出了一种改进的多普勒盲区下的航迹片段关联方法。在传统基于二维分配的关联方法基础上,将多普勒盲区和目标类别信息并入到航迹片段关联的各个环节。预处理阶段采用盲区滤波算法对“老”航迹进行预测,粗关联阶段增加径向速度作为关联信息,二维分配阶段,利用目标类别信息修正分配代价函数。仿真结果表明：在复杂多目标环境且存在多普勒盲区的条件下,该方法航迹中断数较传统方法有明显下降,航迹寿命有明显提升。     

基于小波变换的航迹关联方法

该文基于小波框架条件及多分辨率特性,提出了一种新的自适应航迹关联算法。将目标航迹数据序列分解为整体走势和局部特征两方面来解决航迹关联问题。当目标作匀速直线运动时,只比较两航迹的整体走势;当目标作机动运行时,同时比较两航迹的整体走势和局部特征(机动性)。理论分析和仿真实验证明了该算法的有效性和合理性。     

分布式多目标跟踪系统的灰色航迹关联模型

本文以分布式多目标跟踪系统的航迹关联问题为研究对象,首先指出了现有的两类航迹关联算法的固有缺 点,然后基于灰色理论提出了一种新的航迹关联算法,该算法根据数据列因素之间发展态势的相似或相异程度来衡量航迹 间接近的程度,使航迹关联问题突破了样本容量和典型分布这两条限制。最后给出了典型环境下的仿真结果,并与加权法 进行了比较,显示了该算法的优越性。     

基于数据拟合的航迹关联方法

航迹关联对航迹融合结果具有决定性影响。为了解决组网雷达存在系统误差情况下的航迹关联问题,以不同雷达的量测位置偏差建立粗关联门限进行航迹粗关联。对仍存在歧义的航迹,运用最小二乘法进行数据拟合,得到量测序列的对应系数,建立局部关联门限,仿真结果显示了该算法的有效性。     

综合利用各类信息的异类灰色航迹关联算法

异类传感器航迹关联是航迹融合中的一个难点,红外传感器与雷达的航迹关联是典型的异类传感器航迹关联。综合利用角度和其他特征信息是改善异类传感器航迹关联的一个重要途径。针对异类传感器数据关联用于关联的信息量少的问题,对于雷达在直角坐标系对目标进行跟踪,红外传感器在修正的球坐标系对目标进行跟踪的情况,综合利用角度、角度变化率和ITG信息,提出了一种基于灰色理论的航迹关联决策方法,计算机仿真结果表明新的关联算法与只利用角度信息的关联算法相比具有更好的关联性能。     

基于变换域的局部最优纯方位航迹关联

针对同平台无源传感器纯方位线关联问题,提出了一种基于变换域的局部最优航迹关联算法。该算法采用霍夫变换( Hough Transform)将方位线映射到参数域等价为点描述,将不同方位线的点描述构建成时间的离散函数,利用时间对准形成具有相同时标的点序列。对关联门限内的目标构建指数判证函数,计算满足关联门限目标的关联矩阵,并确定各航迹关联程度,采用局部寻优方法求取最优关联度的目标作为关联对。实验表明,所提算法具有较好的稳定性及时效性,有效解决了同平台多方位线关联问题。     

基于相位相关滤波与点云特征的激光点云配准方法

文中针对激光点云配准效率低和处理时间长的问题,提出一种基于相位相关滤波结合特征的扫描配准方法。扫描配准算法被解耦为旋转匹配与平移匹配两个步骤。在旋转匹配中,霍夫描述符提取的线段特征结合相位相关滤波得到具体的旋转量。平移匹配主要基于点云的边界特征,使用相位相关滤波处理提取到的特征,得到准确的x和y方向的平移量。与传统的迭代最近点(ICP)相比,提出的配准策略在处理静态数据时错误率降低了89.2%,处理时间降低了91.6%。同时,动态数据实验表明提出的方法具有较低的中位数和更好地一致性。     

ESM与雷达航迹关联的最大似然估计算法

为解决ESM与雷达异类传感器的航迹关联问题,基于统计信号分析理论,采用最大似然估计准则,给出了利用ESM与雷达角度测量信息在航迹互联先验概率相等情况下的航迹关联判别函数.同时给出ESM与雷达航迹由等数量观测构成情况下的错误关联概率表达式.最后,由错误关联概率曲线得出了采取减小雷达航迹测量误差与ESM航迹测量误差比值和增加测量次数等措施可以减小错误关联概率的结论.     

基于子图像特征的目标提取方法

针对特定目标提出一种新的基于子图像块的目标提取方法。先对图像分块,再对分块后的特征图重新构建特征量并进行阚值分割,从而实现粗检,辅以知识确定目标的大概区域,最后借助边缘特性提取出精确目标。试验结果表明,该方法计算量较小、便于硬件实现,对于复杂自然背景中对比度低及不均匀光照条件下的一定形状尺寸的目标提取获得满意效果。     

基于区域特征与灰度交叉相关的序列图像拼接

针对具有平移、旋转、缩放变换的序列图像连续拼接,提出一种将基于区域特征的配准算法和基于灰度交叉相关的配准算法相结合的拼接算法。该算法用迭代阈值分割算法提取区域．利用区域特征进行配准,建立初始的同名区域对;然后以同名区域对的质心点作为特征点,基于图像的灰度信息,选择交叉相关准则作为度量;最后得到图像间的精确变换关系,实现序列图像的拼接。实验结果表明,算法配准率高,鲁棒性强。     

基于核方法的探地雷达目标特征提取方法

把核方法引入探地雷达目标特征提取中,先对雷达特征数据进行基于核的非线性变换投影到高维空间;然后在高维空间应用传统的探地雷达目标特征提取方法（LDA方法和PCA方法）提取雷达数据特征。对PCA、LDA、基于核方法的PCA和基于核方法的LDA四种探地雷达目标特征提取方法进行对比研究,对实测数据处理的结果表明：无监督的学习方法不适合探地雷达目标特征提取,所提基于核方法的LDA探地雷达目标特征提取方法效果最好。并详细阐述了基于核方法的LDA探地雷达目标特征提取方法。     

基于情感特征的背景音乐分类方法

为了准确描述背景音乐的类别,提出基于情感特征的背景音乐分类方法。针对当前方法没有考虑情感特征的缺陷,提取情感特征,并与其他特征进行融合组成背景音乐分类特征向量,然后对特征进行筛选,作为神经网络的输入向量,最后采用神经网络进行自动学习,建立背景音乐分类器,并对具体背景音乐数据进行分类和识别。实验结果表明,该方法能够准确区别各种背景音乐,分类正确率高达98%以上,同时也可以应用于其他音乐的分类,具有良好的推广性。     

基于改进FAST特征检测的ORB-SLAM方法

针对视觉ORB-SLAM中的特征点提取过程,提出一种改进的FAST特征点检测方法。在ORB-SLAM过程中,由于光照和周围环境信息的不确定性,当环境对比度下降时,易造成特征点数量急剧减少从而造成SLAM过程的失败。针对上述问题,基于图像的对比度信息,提出一种自适应阈值的FAST特征点检测方法,利用图像的对比度自适应调整特征点检测时的阈值,当图像对比度下降时依然能够保证特征点检测的数量,大大提高了ORB-SLAM的鲁棒性和适应性。对提出的方法进行了实验验证,结果表明该方法切实可行,具有较高的实用价值。     

基于局部特征显著化的场景分类方法

场景图像分类是机器视觉中一个热门的方向,场景图像具有内容丰富、概念复杂的特点。已有的基于深度网络的场景分类算法,往往是通过改进网络结构或者数据增强等方式提升场景识别效果,但是缺少对图像中场景要素和对象要素之间关系的考虑。基于此,本文在分析现有基于深度网络的场景分类技术的基础上提出了一种局部特征显著化的场景分类算法。该算法旨在结合场景局部特征和对象局部特征的特点,利用两类不同特征存在的互补关系,分别对其进行优化,得到更具判别力的场景特征描述。局部特征显著化算法在MIT Indoor67数据集上得到的测试精度为88.88%,实验结果验证了该算法的有效性。