基于分形理论和神经网络的红外图像分割算法

针对实现红外图像的分割,快速准确地检测出红外序列中的人造目标的需要,结合分形特征和Ko-honen神经网络的特点,提出了一种基于分形技术的图像分割算法。该算法利用自然背景和人造目标的不同分形特征检测目标,提出了包括分形维数在内的7个红外图像特征,结合神经网络的自组织学习能力来进行图像分割。给出了算法实现的具体步骤。仿真试验结果表明,该算法能有效地实现红外图像的分割。     

一种基于背景预测的红外杂波抑制新方法

针对复杂背景下的红外弱小目标的检测问题,提出了一种中值二维最小均四阶矩(MTDLMF)自适应红外图像背景杂波抑制算法。该算法将观测数据经过一组低阶的自适应子滤波器,每个子滤波器的输出作为输入数据的一个预测,将所有的子滤波器的输出通过一个非线性中值滤波器,其输出作为最后的预测结果。该算法可以降低大量由于强边缘而引起的虚警,能够更有效地抑制杂波并且保留信号。实验结果显示,该算法对复杂背景下红外弱目标图像背景杂波抑制具有良好效果。     

基于递归标记和神经网络的红外目标匹配识别

提出了一种红外图像匹配算法。选取实际红外目标,依据图像预处理后的图像,提取对应目标的递归标记,作为BP网络的输入样本,目标的形心为输出样本构建BP神经网络。对网络进行抗干扰训练后,根据目标形心特征进行变分辨率相关匹配。该算法在提高了目标识别率的同时,极大地增强了图像处理的实时性,具有工程实用价值。     

复杂动态环境下运动目标自动检测算法

针对复杂动态环境中运动目标难以精确检测的问题,提出了基于HSV颜色空间的运动目标检测算法。采用HSV颜色空间中背景减法解决运动目标颜色与背景相似和运动目标阴影影响导致运动目标难以准确检测问题;将背景区分为稳定背景和临时背景,提出双背景自动更新算法解决背景发生变化造成目标难以精确检测的问题;算法中引入表示背景变化程度的背景变化率,从而部分或全部更新背景。实验结果证明该方法能够准确检测运动目标。     

基于改进滤波器和图像多尺度变换的背景抑制算法

红外目标的探测背景具有复杂性和非平稳性,为提高后续检测性能,常常通过抑制背景来增强目标能量。针对传统背景抑制方法检测率低、虚警率高的问题,提出一种基于改进滤波器和图像多尺度变换的复杂背景抑制算法。首先,对红外图像进行改进的滤波处理获得预处理图像。其次,通过高斯金字塔多分辨技术,平滑图像背景。然后,采用Cubic插值算法提高图像的分辨率,得到背景估计图像。最后,将预处理图像和背景估计图像差分,获得背景抑制的结果。经验证,该算法实时性相对传统方法提高了19%,对于多种复杂的背景情况具有良好的适应性。同时，算法计算复杂度较低,有利于实现实时性工程应用。     

基于时域滤波的点目标检测算法

当红外预警系统对低空飞行的运动目标进行检测时,由于云杂波的存在,系统的检测性能会受到严重影响。分析了云层背景下目标和云层在探测器上的时间响应特性,建立了四种类型的像素点时域模型。并以这四种时域模型为基础,提出了云层背景下点目标的时域检测算法。理论分析和实验结果表明,新算法能有效检测出各种云层背景下的点目标。     

基于卷积神经网络的小型建筑物检测算法

针对基于传统卷积神经网络的建筑物目标检测算法对于小型建筑物检测准确率低的问题, 提出一种基于Mask-区域卷积神经网络(Mask-region convoluional neural networks, Mask-RCNN)模型的小目标检测算法模型。该模型对Mask-RCNN模型中的特征提取网络进行了改进, 设计了一种带有注意力机制的多尺度组卷积神经网络, 有效解决了小目标有用特征较少且易被背景特征和噪声干扰的问题。航拍图像实验结果表明, 改进的检测模型使小型建筑物目标检测准确率较原始Mask-RCNN模型提升了28.9%, 达到了0.663。并且整体检测准确率达到了0.843, 有效提升了航拍建筑物检测准确性。     

基于双门滤波的红外点目标检测方法

讨论了红外图像点目标的检测问题。针对红外点目标无形状特征、SNR很低的特点,分析常用的最大中值滤波的优缺点,提出了改进的双门滤波器,并用之来对图像进行目标检测。该算法通过选取合适的目标窗和背景框的大小,分别计算窗、框内的平均值和方差来决定滤波器的输出,在目标窗与背景框间加缓冲带从而降低了目标与背景的误分辨。经过大量实验验证表明,该方法能够较大程度提高目标图像的信噪比,有效地检测出小目标。     

基于小区域滤波的快速星图弱小目标分割算法

时间序列帧星空图像中弱小目标的检测是天基监视地球同步轨道卫星需要解决的关键技术之一,星图中的背景杂波抑制与小目标分割对运动目标的检测与精确测量是至关重要的。针对这一问题,提出了一种基于小区域滤波的快速星图弱小目标分割算法。首先采用最小二乘拟合方法得到高斯背景均值和标准差;然后利用小区域滤波抑制背景杂波;最后利用固定阈值滤除灰度过小像素点。实验结果表明,该算法能够较好地保持恒星和运动目标的边缘,为恒星和运动目标的快速定位奠定了基础。     

一种新的复杂背景下红外弱小目标检测方法

针对复杂背景下单帧红外图像中的弱小目标检测问题,提出了一种新的基于小波包变换和偏斜度的检测方法.该方法利用小波包对图像进行多尺度分解,解决了高频段分辨率低的问题;并提出了一个基于偏斜度的高斯判别准则,用于对小波包分解系数进行高斯性检验,最终得到了小目标的精确检测.对实测数据进行仿真实验,结果表明该方法能有效检测红外弱小目标.     

基于递阶遗传算法和BP网络的时间序列预测

提出一种基于递阶遗传算法和BP神经网络的时间序列预测模型。现有的BP训练方法只能训练BP网络的权重,网络的结构得预先用某种方法确定。利用很好设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定。以铁路客运市场数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,所提出的方法是可行的。     

四层BP网络的一种结构设计方法及应用

针对BP神经网络的特点提出一种基于递阶遗传算法的四层BP神经网络的结构设计模型及应用。现有的BP训练方法只能训练BP网络的权重和阈值,网络的结构得预先用某种方法确定。利用很好设计的递阶遗传算法能够把网络的结构、权重和阈值同时通过训练确定。以经济系统中的人口时间序列数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,提出的方法是可行的。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于递阶遗传算法和BP网络的财务预警

提出一种基于递阶遗传算法和BP神经网络的财务预警模型.现有的BP网络模式分类训练方法大都只能训练BP网络的权重,网络的结构得预先用某种方法确定.利用巧妙设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定.以模式分类数据库中的数据进行训练和测试,并与其他模式分类模型相比较.结果表明,该模型更优,分类精确度更令人满意.根据上市公司的财务数据用所提出的方法进行财务预警是可行的.     

基于Fuzzy-ART神经网络的红外弱小目标检测

针对现有背景抑制算法未能有效抑制背景而导致目标检测率低的问题,提出了一种基于模糊自适应共振理论（fuzzy adaptive resonance theory, Fuzzy ART）神经网络的弱小目标检测算法。首先,采用Fuzzy ART神经网络结合Robinson 警戒环技术,建立自适应局部空间背景模型,并以此分析像素点的背景模糊隶属度来抑制背景杂波;然后依据目标与残留背景杂波的空间特征采用模板均差法来突显目标,并提出基于行列模糊聚类的自适应分割算法来提取候选目标;最后结合目标的运动连续性进行多帧轨迹关联从而检测出真实目标。理论分析与实验结果表明,该算法能随背景的局部情况来自适应调节空间背景模型,从而自适应抑制背景杂波、突显目标,能有效提高信噪比,检测出弱小目标。     

基于离散余弦变换的红外目标识别算法

提出了一种基于离散余弦变换的红外目标特征描述方法，通过离散余弦变换描述子提取平移、旋转、尺度放缩等变换下不变性的目标形状特征，利用前向传播神经网络学习及识别这些特征向量，对3类不同姿态下的目标图像进行了分类识别，并将所提出的特征提取方法与傅立叶描述子进行比较。仿真结果表明，和傅立叶描述子相比，在保证识别率不变的情况下，采用余弦变换描述法可以减少数据运算量和运算时间。     

基于改进反向传播算法的跨音速攻角补偿修正研究

跨音速飞行时攻角传感器误差显著增大,严重影响飞机的正常飞行。针对飞机试飞与正式装备时攻角传感器采取不同配置的特点,以及传统反向传播(back-propagation, BP)算法的不足,基于改进BP算法中Levenberg Marquardt (LM)算法,设计了一种跨音速攻角补偿修正算法。利用某型飞机的实际试飞数据对基于LM算法的BP神经网络进行了训练与测试,结果表明,经BP神经网络补偿修正后的攻角能够基本消除跨音速段原始测量攻角的剧烈波动,并与真实攻角吻合效果好。     

基于目标运动模型的跟踪方法

针对常用的机动目标模型不能准确描述目标实际运动规律及常用跟踪算法只拟合目标的形心而不是目标轮廓轨迹的问题,提出一种基于目标运动模型的跟踪算法。该算法提取已检测出目标轮廓上的角点作为样本点,采用神经网络来构建目标运动模型,将用此模型预测出的目标轮廓上的点作为主动轮廓线的初始控制点来检测出目标真实轮廓,并反馈回神经网络的输入端来修正模型误差。实验结果表明该跟踪算法能很好地将前续目标检测结果继承到后续的目标检测过程中,对于目标跟踪中的遮挡问题也能很好地解决。