基于SAR仿真图像的地面车辆非同源目标识别

充分的合成孔径雷达(synthetic aperture radar, SAR)模板数据是目标识别算法(尤其是基于深度学习的智能目标识别算法)获得优异识别性能的关键, 基于实际测量获取充分SAR数据是不现实的, 基于电磁散射建模的SAR仿真成为当前获取充分样本的一种有效途径。SAR仿真图像与实测图像为非同源数据, 由于SAR仿真的目标几何模型与实物之间差异、SAR仿真过程中的传感器模型与实际传感器性能之间差异、实物所处的背景环境与SAR仿真的环境之间差异、电磁建模方法本身误差等因素导致SAR仿真图像与实测图像存在差异, 会影响识别性能。针对这一问题, 首先采用一种基于高频渐近技术和离散射线追踪技术的SAR仿真方法获取地面车辆目标的SAR仿真图像, 再利用卷积神经网络方法、线性/非线性特征变换方法实现对MSTAR实测数据的非同源SAR目标识别性能对比分析。实验结果表明, 直接使用SAR仿真数据无法实现对实测SAR数据有效识别, 而线性/非线性特征变换可以改善非同源SAR目标识别性能, 一定程度上缓解由于SAR仿真数据与实测数据存在差异导致的识别性能差的问题。     

基于小波变换的二维独立元在人脸识别中应用

针对二维主元分析（Two-Dimensional Principal Component Analysis，2DPCA）和独立元分析（Independent Component Analysis，ICA）的特点，给出了二维独立元分析（Two-Dimensional Independent Component Analysis，2DICA）的概念。在2DICA算法的基础上，提出了基于小波变换（Wavelet-Transform，W1r）的2DICA（Wavelet-Transform and Two-Dimensional Independent Component Analysis，WT-2DICA）人睑识别算法。首先，利用小波变换将原始图像的高频分量和低频分量进行不同程度的分离，并忽略高频分量，获得原始图像的基本特征；然后，利用2DICA算法术得投影特征；最后依据曩近郐法则完成人脸识别，基于ORL（Olivetti Research Laboratory）与Yale人脸数据库的实验结果表明，WT-2DICA算法正确识别率高于2DPCA算法与2DICA算法，是一种有效的人脸识别方法。     

基于子波变换和神经网络的舰船目标识别

特征提取方法和分类器的选择是舰船目标识别的关键。介绍了一种目标分类和识别的方法。首先利用子波变换和多分辨分解算法对实际采集到的各类舰船目标辐射噪声进行特征提取 ,获得目标的线谱和调制谱特征 ,然后利用模糊自组织聚类网络 (FKCN)分类器对各类目标进行分类识别。最后利用实测数据进行仿真分析 ,并与其它特征提取和分类识别方法比较 ,验证了所用方法的可行性 ,且获得了较好的效果。     

梵高绘画风格特点的数字化分析

利用稀疏编码算法提取的图像特征可用于视觉艺术作品的风格分析,但往往并不对训练所得的基函数做深度的数据挖掘。通过对视觉艺术作品的稀疏变换,获得能反映风格图像本质特征的训练基,对训练基进行空间特征量统计及高阶特征量统计。利用训练基的Gabor变换能量,对梵高不同时期风格作品进行归一化互信息计算,从而对梵高不同时期艺术作品差异特点做出分析。仿真结果表明,对基函数的深度挖掘,能够将人们对基函数的直观感受进行数字量化,在一定程度上对作品风格做出区分,并可为画作评论提供一定参考。     

基于稀疏FrFT的窄带雷达目标架次识别方法

架次识别对于窄带雷达编队目标的探测与识别具有重要意义。本文基于最小熵准则提出了稀疏分数阶傅里叶变换(fractional Fourier transform, FrFT)最优变换阶次估计算法, 首先将雷达回波数据的FrFT结果的熵值建模为变换阶次的函数, 进而将变换阶次估计问题转化为稀疏优化问题, 利用稀疏重构算法获得最优变换阶次。最后,应用该算法分析窄带雷达多波门回波数据Doppler频率特性, 获取编队目标的架次信息。仿真和实测数据结果表明, 所提方法避免了暴力搜索能够快速获得FrFT最优变换阶次, 将该算法应用于窄带雷达回波信号处理能够准确识别编队目标架次信息。     

基于Tetrolet变换的图像稀疏逼近算法

针对现有大部分图像稀疏逼近算法通用性不强,仅对具有某类特征的图像具有最优逼近性能的问题,利用小波变换与Tetrolet变换各自的优点,提出了一种通用性强,不受图像特征限制的图像稀疏逼近算法。该算法分别利用小波变换与Tetrolet变换对图像的平滑区域与细节区域进行稀疏逼近,先提取平滑区域,对平滑区域进行修正,然后对修正后的平滑区域进行稀疏逼近。根据平滑区域稀疏逼近的结果分离出细节区域,实现对细节区域的稀疏逼近。对一系列典型图像进行仿真的结果表明,该算法通用性强,不受图像特征的限制,在同等条件下,图像重构质量比传统小波变换高约5.5 dB,比Tetrolet变换高约1.0 dB。     

基于人体静态和动态特征融合的步态识别

提出了一种简单有效的自动步态识别算法.对于每个序列用背景减除方法检测行人的运动轮廓,算法利用步态轮廓图像下肢左右边界的距离矢量对步态轮廓图像进行描述,采用步态图像两脚的宽度进行准周期性分析.利用连续隐马尔可夫模型并融合步态的静态外观信息模型进行步态时变数据匹配识别.算法在Little和Boyd,NLPR和CMU数据库上进行实验均取得了较高的正确识别率.     

基于粒子群优化的数据分类算法

设计了一种基于粒子群优化的数据分类算法。新算法首先对数据样本预处理,利用粒子群优化算法通过训练数据进行分类规则的提取,根据提取得到的规则对数据进行分类识别。基于Bayes定理和随机状态转移过程对新算法的收敛性进行分析。通过对UCI数据集分类实验及遥感图像目标识别实验,验证了新算法是一种有效的分类方法。     

散射中心特征序贯匹配的SAR图像目标识别方法

在合成孔径雷达（synthetic aperture radar, SAR）图像目标识别领域,提取目标区分性强的识别特征一直是研究热点之一。设计了一种SAR图像目标识别的算法,利用目标散射中心点集特征和属性散射中心特征分量估计值序贯匹配识别车辆目标。实测数据的实验证实了算法在目标方位角变化情况下和俯仰角变化情况下,车辆目标的识别都有较好的表现。     

基于Faster R-CNN的电子海图和雷达图像的数据融合

船载导航雷达和电子海图(electronic navigational chart, ENC)是船舶重要的导航仪器,雷达图像和ENC图像的融合能够给出更加丰富的航行和避碰信息。为此,提出了一种基于深度学习理论的提取雷达图像中鲁棒特征的数据融合算法,实现了ENC和雷达图像较高层次的数据融合。首先,利用深度学习算法对雷达图像进行目标检测,识别船舶雷达的特征目标。其次,对检测到的特征区域执行图像处理,并确定用于ENC和船舶雷达图像配准的参考点。最后,根据参考点进行仿射变换,实现融合算法。利用连续时间段的狭窄水域中的真实船舶雷达图像数据对融合算法进行验证,结果显示船舶雷达图像和ENC的海岸线边缘信息匹配良好且满足实时性要求。该算法与简单的像素级图像融合算法相比鲁棒性更强,实现了ENC与雷达图像的特征级融合。     

基于Gabor变换的凹凸字符图像特征抽取新方法

凹凸字符在成像时,由于字符和背景的材料和颜色一致,得到的图像对比度较低,在提取字符特征时较一般字符相比难度较大.针对此问题,根据标牌凹凸字符的特点,首次提出了一种基于灰度图像和Gabor变换的凹凸字符特征提取新方法.首先设计了一组Gabor滤波器,然后对凹凸字符的灰度图像直接进行特征抽取,分别提取凹凸字符水平、竖直、左、右对角线等四个方向上的局部笔画特征,在此基础上,继而建立一种不变Gabor特征空间,经大量实验证明这种不变Gabor特征具有优良的可分性,并且具有良好的旋转、尺度和平移不变性,同时对光照变化和噪声也具有较强的鲁棒性,从而进一步证明Gabor滤波器适宜于应用在低质量图像的特征提取中.     

Efficient face recognition method based on DCT and LDA

It has been demonstrated that the linear discriminant analysis (LDA) is an effective approach in face recognition tasks. However, due to the high dimensionality of an image space, many LDA based approaches first use the principal component analysis (PCA) to project an image into a lower dimensional space, then perform the LDA transform to extract discriminant feature. But some useful discriminant information to the following LDA transform will be lost in the PCA step. To overcome these defects, a face recognition method based on the discrete cosine transform (DCT) and the LDA is proposed. First the DCT is used to achieve dimension reduction, then LDA transform is performed on the lower space to extract features. Two face databases are used to test our method and the correct recognition rates of 97.5% and 96.0% are obtained respectively. The performance of the proposed method is compared with that of the PCA LDA method and the results show that the method proposed outperforms the PCA LDA method.     

基于KFD+ICA特征提取的SAR图像目标识别

提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

基于超分辨ISAR成像的空中目标自动识别

利用最大熵谱估计的方法对四种飞机目标数据进行外推处理,并在此基础上进行逆合成孔径(IS-AR)成像。在获得较高分辨率ISAR图像的基础上,采用ISAR图像的三个特征:基于几何矩的不变量、形状特征、量化能量带等组成特征向量。并对该特征向量进行对数归一化,将归一化的特征向量作为径向基函数(RBF)神经网络的输入,在此基础上进行识别,达到较好的识别效果。     

High speed robust image registration and localization using optimized algorithm and its performances evaluation

Local invariant algorithm applied in downward-looking image registration, usually computes the camera’s pose relative to visual landmarks. Generally, there are three requirements in the process of image registration when using these approaches. First, the algorithm is apt to be influenced by illumination. Second, algorithm should have less computational complexity. Third, the depth information of images needs to be estimated without other sensors. This paper investigates a famous local invariant feature named speeded up robust feature (SURF), and proposes a highspeed and robust image registration and localization algorithm based on it. With supports from feature tracking and pose estimation methods, the proposed algorithm can compute camera poses under different conditions of scale, viewpoint and rotation so as to precisely localize object’s position. At last, the study makes registration experiment by scale invariant feature transform (SIFT), SURF and the proposed algorithm, and designs a method to evaluate their performances. Furthermore, this study makes object retrieval test on remote sensing video. For there is big deformation on remote sensing frames, the registration algorithm absorbs the Kanade-Lucas-Tomasi (KLT) 3-D coplanar calibration feature tracker methods, which can localize interesting targets precisely and efficiently. The experimental results prove that the proposed method has a higher localization speed and lower localization error rate than traditional visual simultaneous localization and mapping (vSLAM) in a period of time.     

基于感兴趣点特征的彩色图像目标分类与识别

提出一种基于赋色尺度不变特征变换的特征提取方法,分析证明了该特征对平移、旋转、缩放、颜色漂移等因素的不变性。进而研究了基于该特征的彩色图像目标分类与识别的策略和实现技术,提出了相应的算法。通过运用阿姆斯特丹目标图片库中随机选择的50类对象进行分类识别的实验检验,识别正确率可达到100%。理论分析和实验结果表明,赋色尺度不变特征在彩色图像的分类识别中展示出优越的性能。     

基于非采样contourlet变换的多光谱和全色图像自适应融合算法

光谱保持和高分辨率保留是影像融合的两个重要问题。提出了一种自适应的基于非采样contourlet变换的多光谱和全色图像的融合方法。该方法在对多光谱影像进行IHS变换的基础上,对多光谱的I分量和高分辨率的全色影像分别进行非采样轮廓波变换(NSCT),然后对分解得到的近似分量以及各层金字塔各方向的细节分量利用本文提出的自适应基于局部特征的融合准则进行影像融合,通过非采样contourlet逆变换得到新的I分量,最后与H,S分量一起还原到RGB空间,得到融合后的高分辨率多光谱彩色图像。采用一组多光谱图像和全色图像数据进行融合实验,利用均值、标准差、熵、光谱扭曲度和相关系数5个重要评价指标对融合效果进行数理分析。实验融合图像的目视效果和统计指标均优于传统的IHS融和方法、小波融合方法以及contourlet变换方法。     

基于快速鲁棒性特征的景象匹配

针对光电成像制导景象匹配中图像产生较大几何形变的问题,提出了一种基于快速鲁棒性特征(speeded up robust feature, SURF)的景象匹配算法。SURF提取的图像特征具有尺度和旋转不变性,对灰度不敏感,并能快速运算。算法首先利用仿射变换对基准图像进行3D视角补偿,模拟基准图像在不同视角下的成像,以减小基准图像和实时图像间的视角差异,分别提取两图像的SURF特征,然后根据最小欧氏距离准则提取两图像间匹配的SURF特征点对,根据该特征点对估计基础矩阵,得到两图像的投影关系。仿真结果表明,该算法能够适应光电成像制导中图像的几何形变,实现稳定的景象匹配。     

全仿射形变下基于点特征的SAR图像配准方法

全仿射形变条件下,待配准合成孔径雷达(synthetic aperture radar, SAR)图像与参考SAR图像之间存在各向异性尺度变化,导致传统的点特征图像配准算法难以提取到足够多的匹配特征点进行图像配准。为此,提出了一种基于仿射形变矩阵分解与尺度变化矩阵估计的点特征图像配准算法。该方法首先将仿射形变矩阵分解为图像旋转矩阵、尺度变化矩阵以及常数矩阵的乘积,而后利用粒子群优化(particle swarm optimization, PSO)算法对尺度变化矩阵中的未知参数进行搜索估计,并根据估计结果对图像进行尺度规范处理,以抑制图像间的各向异性尺度变化,在此基础上再利用尺度不变特征转换(scale invariant feature transform, SIFT)算子提取匹配特征点进行配准处理。实验结果表明,与现有方法相比,对于全仿射形变条件下的SAR图像配准,本文所述算法可以提取到更多的匹配特征点,因而具有更好的配准性能。     

基于自适应上下文信息的目标相对定位方法

针对成像末制导中地面固定目标识别难度大的问题,基于最稳定极值(maximally stable external region, MSER)区域提出一种新的相对定位识别算法。提取基准图中目标周围具有尺度和仿射不变特性的MSER特征,根据权重指数自适应选取一定数量的MSER特征作为上下文地标。提取实时图中的MSER特征,与上下文地标基于规则化互相关准则进行特征匹配,利用双层匹配矫正策略减少误匹配,得到匹配特征对。提取匹配特征对的中心点作为参考点求解基准图与实时图之间的空间映射关系,进而利用最小二乘拟合一次多项式计算实时图中目标的位置坐标。实验结果表明,针对复杂地面场景,该方法的最大相对定误差不大于3个像素。基本满足成像末制导对自动目标识别算法稳健性好、识别精度高、抗干扰能力强等要求。