一种基于剪切波和Top-hat变换的星点粗提取算法

星点提取是实现高精度和高准确性的星图识别和姿态确定的关键,本文对星点目标粗提取算法进行研究,提出了一种基于剪切波变换和形态学Top-hat变换的星点粗提取算法。该算法采用剪切波变换对含有噪声的星图进行滤波,通过对不同方向剪切波系数采用不同的阈值处理并重构得到去噪星图,有效抑制噪声;利用形态学Tophat变换对重构星图进行背景噪声抑制,采用自适应阈值方法处理背景抑制后星图中的残差噪声,有效地完成星图粗提取。实验结果表明,该提取算法可以很好的滤除星图噪声,为亚像元星点提取做好良好基础。     

基于空间分形特征差异的目标检测

为有效检测海杂波中的弱小目标,针对海杂波的分形特征随大时空变化的特点,提出使用短时间内空间分形特征差异来检测海面弱小目标的方法.该法充分利用短时间和局部海域上海杂波的分形维具有稳定性,目标区域和海杂波间存在较大空间Hurst参数差异的特点,克服传统分形维检测法使用固定门限检测效果不佳的缺陷.经理论分析和IPIX雷达实际数据检测,目标和海杂波的特征量均值差异约为3,优于原方法分形维的均值差异小于0.8的检测效果.     

低分辨率SAR图像舰船目标检测

针对低分辨率合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标受背景及杂波影响难以检测的问题,通过构建一种基于生物视觉侧抑制理论的背景抑制网络模型,有效地抑制了背景杂波.采用基于RENYI熵的分割方法提取舰船目标兴趣区域,以低分辨率SAR图像中舰船目标的成像特点为先验知识,结合同质性检验,滤除了兴趣区域中的虚假目标,降低了虚警率.实验结果表明:所提出的算法能够有效地抑制强海杂波背景,突出目标,既能用于检测SAR图像中带尾迹特征的舰船等运动目标,也可用于检测无尾迹特征的舰船目标.     

基于干涉合成孔径雷达测高原理的雷达散射截面测试杂波抑制方法

针对近场扫描体制电磁散射测量中的杂波抑制问题,提出了一种基于干涉合成孔径雷达测高原理的高度向滤波方法.该方法首先通过在不同高度下的天线两次直线扫描,得到目标的两幅雷达二维像;从雷达图像中提取散射中心的幅相数据后,再利用两次测量得到的散射中心相位差并结合扫描天线高度信息,解算得到该散射中心的高度;根据被测目标的高度范围,设置高度向滤波器,滤除目标高度区以外的散射源杂波;滤波后可以重构得到目标的雷达散射截面,实现抑制杂波、提高测量精度的效果.仿真结果表明,使用该方法处理后目标RCS均值误差小于1 dB.从试验结果来看,使用该方法可从与目标散射量值接近的强杂波背景环境中准确提取目标散射中心.      

基于SURF的目标跟踪算法

为了改善运动目标在跟踪中的实时性问题,提出了一种基于SURF算子的目标跟踪算法。通过对SURF特征点集进行描述快速确定目标位置,实验表明该方法是一种简洁有效的目标跟踪识别方法。同时针对目标运动过程中短时间的遮挡问题,提出了一种目标遮挡检测机制,为目标遮挡的处理提供了一种途径。     

基于分形和粗集理论的云杂波背景下序列图像弱目标检测

提出了云杂波背景下序列图像中弱目标检测新方法.基于粗糙集理论建立了云杂波背景下弱目标检测模型,使之符合两种不同图像边缘的局部分形维的奇异值改变,根据目标和背景的时域特征完成目标检测.实验及仿真结果表明,该算法能够抑制空间和时间相关性强的云杂波背景,且算法简单.     

基于改进SURF的遥感图像目标识别

针对目前遥感图像背景复杂信息量大,导致目标识别过程中特征检测准确率低,特征匹配识别时间长等问题,提出一种基于改进SURF(speeded-up robust features)算法的目标识别方法.该方法采用Grab Cut算法对目标模板进行分割,通过高斯混合模型(Gaussian mixture model,GMM)进行初始化以达到能量最小化分割,并通过快速Hessian矩阵进行特征检测,采用欧式距离完成匹配识别.实验结果表明:使用改进算法进行遥感图像目标识别,能有效去除冗余特征点,提高算法的识别精度和运算速度.     

合成孔径雷达图像自动目标鉴别的新方案

为了构建实用性强、自动化程度高的SAR图像目标鉴别过程,提出了一种目标鉴别新方案,包括鉴别的框架及相应的算法.在系统层面上,为了更有效、更可靠地剔除杂波虚警,方案中提出了基于特征提取鉴别方法和基于编队提取"序贯"结合的整体框架;在算法层面上,首先进行了鉴别特征的提取,包括已有特征的提取以及三个新特征的提出;其次在特征选择阶段,提出了一种基于遗传算法的特征选择算法,该算法对于特征优劣的评价更全面.然后,为了提高鉴别器的精度,设计了目标鉴别的加权二次距离鉴别器,提高了鉴别的性能.最后,为了更有效地剔除杂波虚警,给出了基于目标编队知识进行进一步杂波虚警剔除的方法.实测数据的实验结果证明了所提方案的有效性.     

基于先验知识的降维自适应时域滤波器

为了灵活调节时域滤波器各频率处能量以及利用先验知识提高机载雷达抑制杂波、干扰信号的性能,提出一种基于先验知识的降维自适应时域滤波器设计算法。首先结合先验知识估计机载雷达杂波协方差矩阵;然后通过这些信息,设计降维处理中时域滤波器各频率区域的增益;最后利用凸优化思想设计最优时域滤波器。结果表明:设计的时域滤波器通过分配不同区域的能量,保证在地杂波和干扰的多普勒区域处形成深宽凹口,不仅抑制了地杂波,还能够改善位于主杂波区域的压制性干扰,极大提高了机载雷达在复杂环境中检测目标的能力。     

面向视频测量机器人高噪声小视场星图的星点提取

星图识别提取是自动天文测量数据处理的关键环节．针对视频测量机器人拍摄的小视场星图具有高噪声的特性,提出了利用基于合理阈值分割的连通算法来处理此类星图;分析了4种不同星图的图形特征,对比了常见的星点提取算法对真实星图的识别效果;在定性定量分析的基础上,通过验证,得到了阈值分割下的连通算法要优于边缘检测和聚类算法的结论,并获得理想的星点提取效果．真实星空半仿真星图的室内试验表明:利用该算法可以准确可靠地计算恒星质心坐标,其水平和垂直方向均方根误差（RMSE）分别为0.025和0.021像素,可满足高精度的天文测量需求．      

一种基于背景抑制的星空图像增强方法

针对高空观测图像目标尺寸小、信噪比低以及背景和杂波干扰严重的问题,提出了一种基于背景和杂波抑制的星空图像增强方法。建立了星空背景图像增强算法模型,利用不同形状结构元素的形态学滤波方法对原始星空图像进行背景和杂波抑制,将多个支路形态学滤波的结果加权平均,采用双平台直方图均衡化方法进一步对观测目标进行图像增强。在此基础上对星空背景图像增强效果进行计算机仿真验证,并对增强后图像的信噪比和背景抑制因子进行计算。结果表明,采用该方法能够控制星空背景和杂波,改善图像的对比度,使目标细节更为丰富,便于后续目标检测与跟踪。     

基于卡尔曼滤波器的背景抑制及小目标检测

提出了一种采用卡尔曼滤波器作为杂波背景预测器的小目标检测方法，相比较于传统的梯度下降算法，该方法充分利用了假设的杂波图像模型，并且算法中也没有影响检测性能的步长参数，因而具有更好的检测性能，实验表明，该方法能有效地抑制杂波，并同时增强小目标的信号。     

红外序列图像中运动小目标的检测方法

研究红外图像中运动小目标的检测和跟踪问题．根据红外图像中背景干扰和噪声的特点,采用梯度倒数加权低通滤波器对图像进行滤波．在目标分割和标记后,沿目标轨迹进行能量积累以搜索和跟踪小目标．实验结果表明,该方法能极大地提高实际红外目标图像的信噪比,改善目标分割效果,能有效地进行小目标的检测和跟踪,尤其适用于目标遮掩或偶尔出现目标丢失的情况．     

一种鲁棒的二进制图像特征点描述子

为了提高特征点匹配的速度,采用二进制方法生成特征点描述,并对描述子进行了尺度和旋转适应性改进.使用特征点邻域小块中随机点的强度对比生成描述,描述子的相似度以Ham-ming距离度量,以二进制运算提高算法的时间性能.为了检验算法在视角、旋转及尺度变化时的性能,采用Wall和Graffiti图像集及相应的旋转和尺度变换图像集对算法进行测试,得到该算法在各图像集上的匹配准确率,并与SURF算法得到的结果进行比较.结果表明,在2幅图像间进行特征点匹配时,该算法的特征点描述生成时间和匹配时间分别为1 043.67和4 313.36 ms,而使用SURF算法时的相应时间分别为3 950.34和9 951.03 ms,说明该算法的时间特性明显优于SURF算法.此外,在绝大多数测试集上,该算法的匹配准确率明显高于SURF算法.     

基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法

为了解决当前红外目标检测追踪算法仅依靠单一图像特征对弱小目标增强,使其在背景杂波与噪声干扰严重条件下,难以剔除图像背景中的伪目标像素,导致弱小目标检测与追踪精度不高,提出了基于复杂融合特征与联合灰度-纹理直方图描述子的红外弱小目标检测与追踪算法。首先,针对红外图像不同特征的背景干扰因素,引入不同方向的腐蚀操作结构元素,设计了分类Top-Hat变换算子,充分抑制背景杂波与噪声,从而将弱小目标从复杂背景中凸显出来;随后,引入方差权重信息熵,构建复杂融合特征,对红外图像进行分割,确定候选目标区域;并基于管道滤波模式,对候选目标区域中的真实弱小目标与伪目标进行筛选,将虚假目标过滤;再考虑弱小目标的强度与纹理特征,基于LBP技术(local binary pattern),设计了灰度-纹理直方图描述子,充分描述红外弱小目标的边缘、线端与角点等鲁棒性特征,较好地保留目标的空域信息,有效剔除图像背景中的伪目标像素;最后,联合均值漂移算法,对红外弱小目标进行精确追踪。实验结果显示:与当前红外目标检测追踪技术相比,在复杂背景干扰条件下,本文算法具有更高的检测精度与更低的追踪误差。     

一种基于SURF的图像配准改进算法

为了更好地构造逼真的虚拟环境,提高虚拟场景中图像配准的效率,提出了一种改进的SURF算法。改进算法根据特征点的数量和其间疏密关系作为判定条件,可以在更短时间内得到数量适当且分布相对均匀的图像特征点,同时在特征点匹配阶段利用Hessian矩阵迹的正负性提高特征点匹配的速度。针对误匹配影响图像拼接准确性的问题,采用随机采样算法（RANSAC）提高匹配的精确度。实验结果表明该算法节省了特征点检测和匹配的时间,提高了匹配效率。     

改进的机载合成孔径雷达小斜视角RD成像算法

介绍了RD（range-doppler）算法的基本原理,针对原有RD算法的不足从而提出了改进的RD算法,其主要思想是雷达接收回波后,加入均方误差最小准则窗函数的全相位滤波器来消除旁瓣.用这种改进的RD算法对小斜视角多点目标进行仿真.通过仿真验证这种改进的成像算法可以对不同的点目标成像,而且还可以将点目标之间存在的旁瓣消除.实验证明了原有RD算法存在的旁瓣问题可以通过改进的RD算法来解决.     

联合多视角互投影融合的三维目标检测方法

针对当前智能车辆目标检测时缺乏多传感器目标区域特征融合问题,提出了一种基于多模态信息融合的三维目标检测方法. 利用图像视图、激光雷达点云鸟瞰图作为输入,通过改进AVOD深度学习网络算法,对目标检测进行优化;加入多视角联合损失函数,防止网络图像分支退化. 提出图像与激光雷达点云双视角互投影融合方法,强化数据空间关联,进行特征融合. 实验结果表明,改进后的AVOD-MPF网络在保留AVOD网络对车辆目标检测优势的同时,提高了对小尺度目标的检测精度,实现了特征级和决策级融合的三维目标检测.      

一种总体最小二乘算法及在Volterra滤波器中的应用

针对输入输出观测数据均含有噪声的滤波问题，提出了一种鲁棒的总体最小二乘自适应算法．该算法利用滤波器的增广权向量的瑞利商为损失函数，导出了其自适应迭代公式，并利用随机离散学习规律对权向量模的分析进行算法梯度修正，提高了算法的噪声鲁棒性，而且使得算法简单，稳定性好，收敛精度高．将该算法应用于Volterra滤波器，可使滤波器在非线性系统中的信噪比达到10dB，在学习因子为0．01时，算法仍然能够保持良好的收敛性．仿真结果表明，即使在高噪声环境或使用较大学习因子的情况下，该算法的鲁棒抗噪性能和稳态收敛精度均明显高于其他总体最小二乘方法．     

融合深度特征和FHOG特征的尺度自适应相关滤波跟踪算法

为了解决核相关滤波跟踪算法在复杂场景下跟踪效果差的问题,提出了一种融合深度特征和尺度自适应的相关滤波目标跟踪算法。首先,通过深度残差网络（ResNet）提取图像中被跟踪区域的深度特征,再提取目标区域方向梯度直方图（FHOG）特征,通过核相关滤波器学习,分别得到多个响应图,并对响应图进行加权融合,得到跟踪目标位置。其次,通过方向梯度直方图（FHOG）特征,训练一个PCA降维的尺度滤波器,实现对目标尺度的估计,使算法对目标尺度发生变化有很好的自适应能力。最后,根据响应图的峰值波动情况改进模型更新策略,引入重新检测机制,降低模型发生漂移概率,提高算法抗遮挡能力,在标准数据集OTB100中与其他7种目标跟踪算法进行比较。结果表明,相比原始KCF算法,改进后的KCF算法精准度提升了29.4%,成功率提升了25.9%。所提算法实现了对跟踪目标位置的精准估计,提高了尺度自适应能力和算法速度,增强了算法抗遮挡能力。[JP]