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。     

基于置信规则库的捷联惯组误差系数预测方法

捷联惯组(strapdown inertial measurement unit, SIMU)是火箭等大型飞行器控制系统的核心部件,结构复杂,可获得的误差系数样本较为缺乏。置信规则库(belief rule base, BRB)作为一种专家系统能够有效融合专家知识和监测数据,可以有效处理小样本情况下复杂系统建模问题。鉴于此,本文提出了一种基于BRB的SIMU误差系数预测方法。为充分利用脉冲量输入信息,提高信息转换精度,降低指标转换过程中的信息损失,根据惯组脉冲量输出特点提出了一种新的匹配度计算方法,提升模型的精度。最后,以某型SIMU加速度计为例验证了所提方法的有效性。     

基于孪生神经网络的目标跟踪算法进展研究

目标跟踪作为计算机视觉领域的关键课题, 广泛应用在智能视频监控等领域。随着深度学习的迅速发展, 基于孪生神经网络的跟踪算法(简称为孪生跟踪算法)因其速度和精度的平衡优势成为了主流算法。尽管已有大量研究, 但仍缺乏从跟踪框架层面对孪生跟踪算法进行系统分析。为了梳理目前孪生跟踪算法的研究进展, 首先介绍了孪生跟踪算法的常见挑战、主要组成、跟踪流程、常用数据集和评价指标; 其次按照对跟踪框架的改进方向分为改进特征提取的算法、优化相似度计算的算法和优化跟踪结果的算法, 并分别详细介绍; 然后对20个主流跟踪算法进行测试与分析; 最后总结目前孪生跟踪算法存在的问题以及对未来的研究方向。     

多轴特种车辆缺胎行驶动力学特性研究

为了探究多轴特种车辆在轮胎损失极限工况下的行驶特性，基于TruckSim车辆动力学软件，建立包括整车参数、动力传动与制动系统、车桥与悬挂系统、转向系统和轮胎系统的五轴特种车辆动力学仿真试验模型，通过对仿真模型进行调整和改进，建立符合实车驱动的特种车辆动力学模型.为重点分析轮胎缺失状态的影响，以轮胎六分力试验为基础，选取TruckSim中性能相似的非线性轮胎模型进行修改，通过进行0～80～0 km/h直线加速制动平顺性仿真试验和双移线操稳性仿真试验，研究不同位置处轮胎缺失状态下的车辆平顺特性和操稳特性.同时，以车辆质心偏移量为标准，分析讨论不同行驶速度下的最大缺失轮胎数量，提出不同行驶速度下缺胎工况的轮胎布置方法以及各桥轮胎对车辆行驶影响的程度级别.研究结果表明：多轴特种车辆具备在缺胎工况下行驶的极限条件，不同位置处轮胎缺失对车辆的最大行驶速度影响不显著；该型车辆各桥轮胎对车辆行驶影响的重要程度依次为一桥、五桥、三桥、二桥和四桥；车辆分别以50、30和20 km/h速度行驶时，最大缺失轮胎数量分别为1、2和3个.研究结论为多轴特种车辆行驶安全性评估提供了理论支撑.     

基于全局感知机制的地面红外目标检测方法

针对地面场景下的红外目标检测易受复杂背景干扰、检测精度不高、易发生误检和漏检的问题, 以车辆红外特征为研究对象, 提出了基于全局感知机制的红外目标检测方法。在以Darknet-53为主干网络的基础上, 结合具有全局信息融合的空间金字塔池化机制, 在增大模型感受域的同时增强了模型的全局信息感知力和抗干扰能力; 设计了平滑焦点损失函数, 解决了图像内因目标相互影响而导致的检测精度不高、易出现误检、漏检等问题。实验表明, 在Infrared-VOC320数据集上, 该算法的平均检测精度为80.1%, 较YOLOv3提高了4.4%, 检测速度达到了56.4 FPS, 有效提高了复杂背景下红外目标的检测精度, 实现了对红外目标的实时检测。     

基于风格迁移不变特征的SAR与光学图像配准算法

针对异源遥感图像的匹配难题, 提出一种基于风格迁移不变特征的合成孔径雷达(synthetic aperture radar, SAR)图像与光学图像配准算法。首先, 训练SAR图像转换为光学图像的风格迁移网络。然后, 基于风格迁移网络生成人工光学图像及其与原SAR图像之间的差异图, 并利用小波多尺度特性增强人工光学图像和差异图的边缘区域, 二值分割后提取人工光学图像的边缘不变特征。同时, 提取光学基准图像的边缘特征。最后, 通过互相关性准则进行边缘特征匹配, 进而实现原始SAR图像与光学基准图像的精确配准。实验结果表明, 较同类算法, 即使在训练样本不足的条件下, 生成的人工光学图像也能与光学基准图像实现精确配准, 增强了算法的适应性。     

多通道脑电信号眼电伪迹自适应去除方法

针对现有方法在眼电伪迹自动去除中存在有用信息丢失，伪迹分量识别困难的问题，提出了一种结合粒子群优化算法、独立成分分析和小波变换的伪迹自适应去除算法。首先，采用均方根误差和Pearson相关系数设计了粒子群优化算法的适应度函数，利用优化算法实现了两个样本熵阈值的自适应设置；然后利用快速独立成分分析算法将脑电信号分解为统计独立分量，根据第一个样本熵阈值自动识别含伪迹分量，含伪迹分量经过四层小波分解得到五个小波分量，根据第二个样本熵阈值自动识别伪迹分量，将识别的伪迹分量置零；最后经过小波重构和逆变换，获得去除眼电伪迹的脑电信号。采用Graz data set A数据集进行实验验证，结果表明提出的方法能够实现多通道脑电信号伪迹的自动去除；采用Klados数据集进行实验验证，结果表明，与SE-CEEMDAN方法相比，采用提出方法实验获得的均方根误差降低了4.816，约38.2%，Pearson相关系数提高了0.025，约2.97%。     

基于多特征信息融合的海面微弱目标检测

为改善海杂波背景下雷达检测微弱目标的性能, 提出一种基于多特征信息融合的目标检测方法。首先, 在分析时域回波信号的基础上, 给出脉冲幅值离差比的概念, 并用其表征离散回波信号的尖锐度。其次, 结合回波信号的频率峰均比和局部分形度两种特征量, 构建多特征信息融合张量。然后, 采用交叉验证法训练支持向量机(support vectors machine, SVM)分类器, 并依据分类器进行目标检测。最后, 通过对实测海杂波数据的一系列实验分析, 优选了所提方案的参数。进一步与已有传统方法对比, 结果显示所提方法具有更好的鲁棒性。     

基于YOLO框架的无锚框SAR图像舰船目标检测

面向合成孔径雷达(synthetic aperture radar, SAR)多目标检测应用, 提出了一种基于YOLO (you only look once) 框架的无锚框SAR图像舰船目标检测方法。该方法针对YOLOv3锚框需要预先设定且无法完美契合的弊端, 通过采用无锚框方法更好适应所检测目标的大小, 便于多尺度目标使用。在此基础上, 给CSPDarknet53网络增加了注意力机制作为特征提取网络, 然后经过能够增大感受野的改进特征金字塔网络(feature pyramid network, FPN)后, 把特征图传给无锚框检测头, 有效提升了目标类别和位置的预测精度。实验证明, 所提算法在公开SAR舰船数据集上平均精度比YOLOv3提高3.8%，达到了94.8%, 虚警率降低4.8%。     

基于关键点的遥感图像舰船目标检测

针对当前舰船目标检测算法存在锚框遍历计算成本高和特征旋转适应性不足等问题, 提出基于关键点的遥感图像舰船目标检测方法, 通过预估舰船中心点实现目标检测。首先, 引入深度可分离卷积降低参数冗余, 结合SimAM无参注意力机制, 增强对舰船目标的关注度。其次, 引入方向不变模型(orientation-invariant model, OIM)生成方向不变特征图, 增强网络对旋转目标的适应能力。最后, 考虑到遥感图像舰船目标任意方向密集排列, 但舰船目标中心点不变的特点, 采用直接预测目标的中心点, 再回归偏移量、目标尺度和角度的思路, 摆脱锚框遍历机制, 提高检测速度。在HRSC2016和RFUE2021数据集上进行对比实验, 实验结果充分说明了本文方法的有效性和先进性。