基于小波包分解的舰船辐射噪声特征提取方法研究

由于舰船辐射噪声有其自身的非高斯、非线性和非白噪声的非平稳特性,传统时域或频域的信号处理方法不能满足对这类信号的处理.而小波包变换对信号的非平稳特性有适应性.本文通过利用小波包变换分解舰船的辐射噪声,统计噪声在各个频段上的能量分布,将统计的分频段能量作为舰船的目标特征,实现舰船目分类识别标的目的.结合Matlab对舰船辐射噪声进行仿真,提取的目标一和目标二的特征,实现了舰船的分类识别的目的,验证的方法的有效性.     

基于Relax散射点特征提取的舰船目标识别方法

针对基于高分辨距离像(HRRP)的舰船目标识别问题,提出了一种基于Relax散射点特征提取和设计了基于散射中心最近邻模糊分类器的目标识别方法.首先对数据进行预处理,然后基于Relax算法提取出散射中心,最后通过最近邻模糊分类器进行识别匹配.通过仿真4类军民船目标的数据进行测试,验证结果表明该方法在舰船目标识别领城具有很...     

基于精细分割的SAR图像舰船目标几何结构特征提取

随着高分辨率星载合成孔径雷达（synthetic aperture radar,SAR）系统的研制和使用,利用SAR图像实现快速准确的舰船目标识别分类成为了海上目标侦察监视的重要手段.文中针对SAR舰船目标切片图像,提出一种基于精细分割的SAR图像舰船目标几何结构特征提取方法.首先,采用基于Radon变换的分割方法将舰船目标和成像干扰区域进行分离,对分离出的舰船目标切片进行阈值分割处理,并利用形态学手段处理分割图像,减小旁瓣影响,准确提取目标主区域;然后基于椭圆形状约束进行目标区域的细化分割,解决分割区域"毛刺"现象和区域断裂现象,得到舰船目标的最佳图像分割区域;最后,通过逼近目标区域获得其对应的最小外接矩形（minimum enclosing rectangle,MER）,进而实现目标区域几何结构特征的精确提取.通过对获取的高分三号卫星SAR图像数据进行仿真实验,证明了本文方法提取舰船目标几何结构特征的高准确性和强稳定性,对海上舰船目标的识别与分类具有重要意义.     

基于深度学习的HRRP舰船目标识别性能分析

针对分辨率、信噪比、补零及深度置信网络等对深度学习舰船目标识别性能的影响问题,文中开展了基于实测数据的相关实验分析,整个实验分析处理过程包括回波信号对齐、数据脉冲压缩、信号能量归一化、深度学习模型训练、分类器设计及判决输出。实验分析结论为深刻理解基于深度学习的高分辨距离像舰船目标识别技术原理内涵,开展舰船目标识别工程化应用设计奠定了坚实的基础。     

基于Gabor函数变换的指纹识别

用Gabor函数变换将指纹图像变换到联合空间频率域,对提取的频率进行能量函数合成,能量成分与Gabor函数一致,以联合空间频率域的能量分布作为提取指纹的特征.Gabor函数滤波器在频域内对子块其主方向上频率能量分布进行高分辨率滤波,进行了识别匹配.该增强算法速度快,效果好,可有效提取指纹特征信息.     

海天背景下红外小目标检测的背景抑制及海天线检测方法

针对复杂海天背景下红外弱小目标难以检测与识别的问题,提出了基于海天线检测实现远距离弱小目标识别的方法。该方法对采集到的红外图像进行相关处理。通过用多级小波变换方法抑制背景杂波噪声提高目标信杂比;然后使用多方向Gabor滤波融合方法增强海天线边缘,并通过霍夫变换方法实现海天线定位和检测;最后通过定位海天线确定海天线附近区域的目标搜寻范围,缩小目标点潜在区,从而提高弱小目标在海天背景下的检测和识别概率。     

基于Gabor滤波器和ICA技术的SAR目标识别算法

提出了一种基于Gabor滤波器和独立分量分析(ICA)技术对合成孔径雷达(SAR)目标识别的算法.该方法提取预处理后SAR图像的低频子带图像,利用Gabor滤波器组对该低频子带图像在不同方向和尺度上滤波,再用主成分分析(PCA)+ICA方法对Gabor滤波后图像提取有效特征向量作为目标识别特征,最后用支持向量机(SVM)对该特征进行分类完成目标识别.使用MSTAR数据库中3类SAR目标数据对该方法进行目标识别的仿真实验,平均识别率最高可达96.56%.通过与其他识别方法对比实验,验证了文中方法的有效性.     

Gabor小波与HOG特征融合的行人识别算法

针对传统HOG特征行人检测方法中,当目标存在遮挡以及面对复杂环境条件下,行人识别存在较高漏检率和误检率的问题,提出一种基于Gabor小波与HOG特征融合(G-HOG)的行人识别算法。利用Gabor小波对样本图像进行特征变换并在尺度和方向上融合,获取Gabor特征图像,利用HOG算子在特征图像上提取目标特征,进行样本分类,获取行人目标的疑似区域;对行人样本进行HOG特征提取与训练,实现对疑似区域的目标识别。实验结果表明,基于G-HOG特征的行人识别算法在INRIA、MIT与Daimler数据库上性能表现良好,能够获取较高的查全率和识别率。     

基于灰色模型的舰船声信号目标识别

深入研究了灰色模型在目标识别中的应用,给出了基于灰色模型的目标识别方案,利用舰船声场仿真数据,建立目标声信号的GM （1,1）模型,并用组合神经网络对两类目标的模型参数进行分类与识别。此外,还利用舰船声场实测数据,对识别结果进行了验证。研究表明灰建模方法在目标识别中是可行的和有效的。     

基于深度学习的可见光图像舰船目标检测与识别

为探究深度卷积神经网络在舰船检测与识别中的应用,研究了基于深度学习方法的可见光图像舰船目标检测与识别,总结了适用的可见光图像舰船数据集与针对舰船目标的网络优化方法.研究表明,迁移学习、先验框改进、特征优化等方法均能提升舰船检测与识别的准确率.未来应结合多源特征的融合,对轻量化舰船识别、细粒度舰船分类等方向进行研究.     

基于DnCNN的海面目标一维距离像识别方法

针对低信噪比条件下海面目标分类识别精度差的问题,该文提出了一种基于去噪卷积神经网络(Denoising convolutional neural network,DnCNN)的海面目标高分辨一维距离像(High Resolution Range Profile,HRRP)识别方法。所提方法设计了一个海面目标分类识别模型,该模型通过其中的降噪模块提高信噪比。首先,分析了HRRP和二维图像的相似特性,将HRRP降噪转变为二维图像降噪。其次,利用深层次卷积层与批归一化层相结合的结构,提取图像深层次的噪声特征,最后采用残差学习技术,减轻深层次网络的学习负担的同时重构图像进行分类识别。实验结果表明,该模型可以有效提升低信噪比条件下的海面目标分类识别正确率,在不同信噪比条件下其识别性能均优于对比模型,具有良好的识别性能和鲁棒性。      

最大间隔核优化的雷达目标高分辨距离像识别新方法

基于目标高分辨率距离像的雷达自动目标识别技术在军事和民用上都有巨大的应用价值。但是由于雷达目标高分辨距离像的姿态敏感性以及高特征维数,造成了其非线性可分性。针对此问题,本文提出了一种基于最大间隔核优化的雷达目标高分辨距离像识别方法。本方法首先采用了最大间隔准则算法来优化数据依赖核函数,然后利用支持向量机分类器实现了雷达目标高分辨距离像识别,最后进行了基于5种战斗机目标高分辨距离像的实验仿真。实验结果表明了基于最大间隔核优化的目标识别算法对于SVM分类器可以有效实现核函数优化,从而能够提高目标识别性能。      

弹道目标宽带极化特征提取分析

针对弹道目标的极化高分辨一维距离像,研究宽带极化特征提取算法,分析所提取特征表征的目标散射特性及其在目标分类识别中的应用。通过弹道目标全极化高分辨一维距离像,构建极化散射矩阵,估计弹道目标的极化相干矩阵,再对其进行Cloude分解,提取H/α/A/P特征,依此对目标各散射中心的散射机理进行判定,同时分析各特征对于弹道目标可分性的强弱,利用SVM算法进行分类识别,同时考虑了信噪比对识别结果的影响,用仿真实验验证了算法的有效性。     

基于多重支持向量模型的雷达目标识别器设计

在如今日益复杂的地面战场环境下,雷达目标识别技术的需求愈加迫切。高分辨一维距离像(High Resolution Range Profile,HRRP)具有可提供目标在雷达视线上的结构信息的特点,使得其在雷达地面目标识别领域受到了广泛的关注与研究。为实现基于 HRRP 的雷达目标识别实用化,本文构建了一种基于多重支持向量模型的雷达目标识别器。本方法通过对目标特征空间的区域分割、特征区域描述与子分类超平面构建,得到更为精细化的目标特征空间描述,同时达到目标鉴别与分类的联合处理。此外,本方法基于支持向量模型,内存需求少、计算复杂度低, 适合目标识别系统的实际工程应用。通过基于实测数据的对比实验,证明了本文所提方法在目标识别性能与实时性两方面均具有较大的优势。     

基于注意力机制和双向GRU模型的雷达HRRP目标识别

针对雷达高分辨距离像(HRRP)目标识别问题,传统方法只考虑样本的包络信息而忽略了距离单元间的时序相关性,该文提出了一种基于注意力机制的双向自循环神经网络模型。该模型将时域的HRRP数据通过滑窗分为正反两个序列,并将其分别通过两个相互独立的GRU网络进行特征提取,然后将同时刻提取到的特征进行拼接,从而利用了距离像双向的时序信息。考虑到不同时刻的序列对目标分类的重要性不同,通过注意力机制自适应地对各时刻隐层特征赋予不同的权值,最后根据加权求和后的隐层特征进行目标的识别与分类。实测数据实验结果表明,该文所提方法可以有效完成高分辨距离像的目标识别问题,并且在数据发生一定的时序偏移情况下,仍然可以准确找到目标区域。      

基于核主分量分析的高分辨雷达目标特征提取与识别

研究了核主分量分析(KPCA,Kernel Principal Component Analysis)在高分辨雷达目标特征提取与识别中的应用。首先讨论了KPCA算法原理,然后将KPCA应用于雷达目标距离像特征提取,并采用支持向量机进行分类,提出了基于核主分量分析的高分辨雷达目标特征提取与识别方法。在核函数的选取上构造了一个组合核函数,最后用4类目标数据进行了实验,并与采用高斯核函数方法进行了比较,实验结果表明,该方法能够提高目标识别性能。     

基于粗糙集和傅里叶-梅林变换的HRRP识别

一种有效的高分辨雷达距离像识别方法需要有效处理距离像表现出的不精确性和不确定性,这种不精确性和不确定性可用粗糙集理论描述。文中提出一种基于粗糙集理论和傅里叶-梅林变换的高分辨雷达距离像识别新方法。粗糙集理论能够挖掘目标类别相关信息,同时最大限度去除冗余信息;傅里叶-梅林变换具有时移与尺度伸缩不变性,能够克服距离单元的平移、伸缩给识别带来的困难。实验表明,该方法具有强大的特征压缩能力,所设计识别系统具有良好的识别率。     

雷达高分辨距离像模板自动生成算法

模板的完备性直接决定了基于高分辨距离像的雷达目标识别系统的分类性能;在外场试验中限于目标姿态、环境等因素难以获得准确标定的目标立体角范围内全姿态模板数据。针对一维距离像识别的工程实用化需求,本文基于数据驱动思想,提出了新的一维距离像聚类模板自动生成算法。与传统方法相比,本文方法在提高工程可行性的同时提高了识别性能。为满足实验需要,本文提出了新的基于MSTAR图像的高分辨距离像反演算法,得到更精确的反演数据。基于该数据的实验结果表明算法解决了模板生成姿态角依赖性问题,提高了识别性能。      

一种利用强度信息的雷达HRRP自动目标识别方法

 针对雷达高分辨距离像(HRRP)的幅度敏感性,现有HRRP雷达自动目标识别(RATR)方法一般简单地能量归一化.本文借鉴切空间距离的思想,提出一种利用HRRP回波强度信息提高识别精度的方法,实测数据仿真试验证明与传统方法相比,该方法可提高识别率约5个百分点.     

基于双向滑动平均的目标长度特征提取方法

基于高分辨距离像的雷达目标识别是该领域的研究热点,而特征提取是其中的关键环节。相对于散射中心强度和位置特征而言,长度特征随目标方位角变化的影响较小,是一种相对稳定的特征,而且长度特征属于目标本身的物理特征,具有实际的物理意义。文中提出一种基于双向滑动平均的目标长度特征提取方法,并将提取的长度特征用于目标粗分类。该方法首先对距离像进行降噪处理,然后从左右两端同时向中间进行滑动平均处理,当滑动均值大于预设的阈值时,即可确定目标区域的起始和终止位置,从而得到目标的长度特征。该方法的核心在于分别估计左右两端各自的阀值,而不是采用一个统一的阀值,并且在阀值估计的过程中同时考虑了距离像均值和噪声的影响。因此,该方法对于距离像突变、非目标区域野值等具有较强的稳健性。通过对五类飞机的实测数据进行实验,验证了该方法的有效性。