SAR目标多尺度概率密度估计与识别

针对SAR目标识别问题,提出了一种基于核非线性映射的SAR目标多尺度概率密度特征的估计方法,并利用该特征进行目标识别。首先将SAR目标图像在多尺度域中分解,按一定规则建立多尺度根矢量;将多尺度根矢量经非线性映射到另一空间中,在该空间中利用基于核函数的技术结合parzen窗非参数估计得到概率密度函数。通过这一途径得到的多尺度概率密度分布挖掘了目标散射在尺度之间的相互关系,分布特征之间的相对熵测度可以用与目标分类识别。以MSTAR实测SAR目标数据集进行了多尺度概率密度估计和目标识别试验和分析,试验结果表明了提出方法的有效性。     

识别SAR图像中车辆和车辆群目标的综合方法

提出了一种对SAR(syntheticapertureradar)图像中的车辆和车辆群目标进行识别的综合方法。它利用SAR图像所具有的统计特性、CFAR检测和数学形态学方法相结合对SAR图像进行预处理和目标分割。找到了一组能够正确表示SAR图像中车辆和车辆群目标的单体不变特征和组合不变特征,给出了相应的目标分类和识别算法、参数选择方法及优化参数。实验证明该方法具有良好的识别效果。     

一种基于神经网络的红外目标识别方法

文中介绍了一种基于神经网络的目标识别方法。该方法利用径向基函数（ＲＢＦ）神经网络,结合目标边界的形状特征,对平移、旋转及尺度变化情况下的目标进行了分类识别。实验结果表明,这种识别方法性能稳定,且具有很高的识别精度。     

基于Bagging-SVM动态集成的多极化HRRP识别

针对多极化高分辨率一维距离像（high range resolution profile, HRRP）在目标识别过程中存在计算量和数据量大、识别算法复杂的问题,提出一种基于Bagging-SVM动态集成的目标识别方法。该方法首先提取多极化HRRP平移不变特征向量,然后运用Bagging方法结合基于动态互信息的特征选择方法生成基分类器,最后引入基分类器差异度进行选择性集成。实验验证该方法在缩减数据规模和计算量的同时,能有效利用多极化特征信息,得到较高的分类正确率,并且松弛了HRRP目标的姿态敏感性。     

关于卫星机器人地面装配的目标快速识别方法

针对在卫星机器人地面装配领域,基于尺度不变特征变换的目标识别方法存在实时性能缺陷的问题,提出结合标量量化描述和倒排文件索引的典型目标快速识别方法,以满足卫星装配过程中准确高效识别工件和装配体的需求。在初始检测、定位和描述特征点的基础上,通过中值划分和遮蔽掩模方式完成浮点型描述向量的标量量化;利用倒排文件结构的查询策略快速搜索近邻特征点;依据距离比率准则和随机采样原则筛选稳定匹配点;通过仿射变换求解出矩形框中心坐标和边界宽度识别目标。实验结果表明,所提识别算法的平均正确率均值曲线图包围面积平均达到尺度不变特征变换的90.12%,能够正确匹配特征点并框选有效目标,具备相似的区分性能优势;同时匹配阶段执行时间只有尺度不变特征变换的19.54%,总体执行时间也只有49.84%，具有实时性能方面的优势。     

基于尺度不变局部特征的摄像机运动检测

摄像机运动检测是自动视频分析的重要内容.提出一种基于尺度不变局部特征的摄像机运动检测方法.该算法通过帧间局部特征的匹配,通过归一化软投票的方法鲁棒地估计特征匹配对的位置、尺度的变化,并根据备变化值和投票数的特点识别出摄像机的运动类型.该方法简单、鲁棒,实验结果验证了所提方法的有效性.     

基于门控多尺度匹配网络的小样本SAR目标识别

为了解决传统合成孔径雷达(synthetic aperture radar, SAR)目标识别方法在小样本条件下泛化能力差、识别准确率低的问题, 通过在匹配网络的基础上引入权重门控单元和多尺度特征提取模块, 提出了基于门控多尺度匹配网络的小样本SAR目标识别方法。在该方法中, 多尺度特征提取模块能够提取匹配网络不同卷积层的多尺度特征, 权重门控单元能够根据不同的识别任务赋予特征不同的权重大小, 实现根据具体任务选择最具代表性的目标特征, 从而以该特征为主导完成目标识别任务。在运动和静止目标获取与识别(the moving and stationary target acquisition and recognition, MSTAR)数据集上对提出的方法进行了验证, 实验结果表明，所提方法较其他3种小样本学习方法和两种小样本SAR目标识别方法表现出了一定的优越性, 而且所提方法经实验验证在噪声环境下表现出了一定的鲁棒性。     

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。     

基于信号特征空间的TDCS干扰分类识别

针对变换域通信系统中干扰信号的分类识别问题,提出了一种基于信号特征空间的支持向量机(signal feature space-support vector machine, SF-SVM)干扰分类算法。首先,基于干扰信号模型和信号空间理论对干扰信号进行特征提取,并建立信号特征空间,进而针对二分类和多分类问题提出了SF-SVM分类算法,设计了干扰信号的多分类识别器。仿真结果表明,与干扰信号的传统分类算法相比,SF-SVM不仅提高了分类精度,而且缩短了训练时间;设计的多分类识别器在信噪比达到8dB时,对6种干扰信号识别性能及对变换域通信系统性能都有所提升。     

基于颜色特征对木质板材分级的研究

给出几种基于颜色和纹理特征木质板材的分级算法,这几种方法通过主颜色和共生矩阵特征,分别利用神经网络中的RBF网络和K-近邻对木质板材样本图像进行处理,然后进行分类的方法。木质板材样本图像通过对木材加工处理采集而得到的。主颜色特征是反映一幅图像的基本面貌的,并通过HSV颜色模型、量化、颜色直方图和绝对距离而得到的;再加上共生矩阵特征。选取三种主颜色方案数据,经过Matlab7.0平台进行程序设计,对木质板材样本图像数据进行训练和测试,并加以验证。实验结果表明,这几种方法能够较好地解决木材分级的问题。     

一种基于Boosting的集成学习算法在不均衡数据中的分类

针对多类别不均衡数据的分类问题,从数据集的特征选择和集成学习两个角度出发,提出了一种新的针对不均衡数据的分类方法—BPSO-Adaboost-KNN算法,算法采用基于多分类问题的可视化的AUCarea作为分类评价指标.为了测试算法的性能,本文选取了10组UCI和KEEL选取的测试数据集进行测试,结果表明本算法在有效提取关键特征后提高了Adaboost的稳定性,在十组数据的分类精度上相比单纯使用KNN分类器有20%~40%不等的提高.在本算法和其他state-of-the-art集成分类算法对比中,BPSO-Adaboost-KNN能够取得较优或相当的结果.最后,本文将该算法应用到石油储层含油性的识别中,成功提取了声波、孔隙度和含油饱和度三个关键属性,在分类精度上相比传统分类算法有了大幅度提高,在江汉油田五口油井oilsk81~oilsk85上的分类精度均达到98%以上,比单纯使用KNN的精度高出了20%,尤其在最易错分的油层和差油层中有良好的分类效果.     

基于彩色图像Tetrolet变换的频数质心零水印算法

针对传统数字水印算法的透明性随嵌入强度的增加而下降的问题, 已有许多零水印算法提出。然而大多数算法或是鲁棒性和稳定性较差, 或是基于灰度图像设计的。本文提出一种基于彩色图像Tetrolet变换的频数质心零水印算法。该算法先提取彩色载体图像YCbCr空间的亮度分量, 再对亮度分量进行Tetrolet变换获得其低频系数, 再通过分块非负矩阵分解, 采用计算频数质心的方法构造特征矩阵。对水印信息依次进行Polar码编码, 二维交织构造出交织矩阵; 最后将含有水印信息的交织方阵和特征矩阵进行异或操作生成零水印。仿真结果证明, 该零水印算法可以有效抵抗非几何攻击、几何攻击以及组合攻击, 水印提取归一化相关系数值在0.9以上, 具有较强的鲁棒性和稳定性, 且具有良好的实用性。     

基于集成学习与特征降维的小样本调制识别方法

针对有标签样本较少条件下的通信信号调制识别问题, 提出一种基于集成学习与特征降维的小样本调制方式分类模型。首先,通过集成人工特征与深度学习自动提取特征构成特征集合。然后,设计特征选择算法对特征合集进行优选生成高效特征子集。最后, 利用可快速收敛的高性能分类器对信号进行区分, 实现在少量有标签样本和大量无标签样本条件下的调制方式分类。仿真结果表明, 通过对8种数字信号进行调制识别, 在信噪比为20 dB时, 所提算法可将信号最高识别率提升至96%, 同时该算法设计简单, 具有较大应用价值。     

基于BP神经网络的颜色模糊量化方法

将BP神经网络用于颜色量化过程,提出了符合人眼颜色视觉特性的颜色模糊量化方法。对RGB颜色空间向量进行空间变换,提取得到颜色特征向量。对特征向量标准化处理后,作为BP神经网络的输入向量。将训练样本的期望类别输出做模糊化预处理,用模糊化后的隶属度值作为样本的目标期望输出。利用样本集对改进的BP神经网络进行训练.基于最大隶属原则对神经网络输入特征向量进行分类和量化。使用训练后的BP神经网络进行颜色量化的仿真实验,验证了所提出方法的有效性。     

基于CNN网络和多任务损失函数的实时叶片识别

针对传统叶片识别易受环境干扰,难以实现复杂背景下的多叶片实时识别问题,提出一种基于CNN网络和多任务损失函数的实时叶片识别方法。采用CNN网络提取叶片图像特征图,输入到RPN网络生成区域候选框;依据特征图和区域候选框,提取候选框特征图,分别进行叶片分类和边界框回归,预测叶片类别和叶片预测框的定位;利用多任务损失函数约束分类和回归,来提高叶片分类和回归的准确率和运算速度。实验结果表明,该方法的平均实时叶片识别准确率为91.8%,平均实时识别速度为25 fps。     

水中目标辐射噪声的听觉特征提取

运用听觉心理学的最新研究成果,在3个层次上模仿人耳的处理机理,提出了基于听觉模型的水中目标辐射噪声的特征提取方法。为压缩特征维数,选择可分性最好的特征,采用了基于距离准则的特征选择。水中目标识别实验结果表明,水中目标辐射噪声的听觉特征具有比较高的类别可分性。     

基于Markov blanket和互信息的集成特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出一种基于近似Markov blanket和动态互信息的特征选择算法并将其应用于集成学习,进而得到一种集成特征选择算法。该集成特征选择算法运用Bagging方法结合提出的特征选择方法生成基分类器,并引入基分类器差异度进行选择性集成,最后用加权投票法融合所选基分类器的识别结果。通过仿真实验验证算法的有效性,以支持向量机(support vector machine, SVM)为分类器,在公共数据集UCI上进行试验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比。实验结果显示,该方法可获得较高的分类精度。