基于最小一乘和遗传算法的红外弱小目标检测

在随机误差不服从正态分布的问题中,最小一乘估计的统计性能优于最小二乘估计;另外,最小一乘估计的稳健性更强。因此提出了基于最小一乘估计和遗传算法进行背景预测的红外弱小目标检测方法。首先,建立最小一乘准则背景预测模型,应用遗传算法求解最小一乘估计的最优值并进行背景预测;然后,由实际图像和预测图像相减得到残差图像,并采用二维指数熵图像阈值选取方法对残差图像进行分割。针对实际红外图像序列的实验结果表明:所提出的方法对弱小目标具有更高的检测概率和更好的检测结果,优于基于最小二乘背景预测的检测方法。     

基于小波分析的一种红外弱小目标检测新方法

研究了天空背景下红外运动弱小目标的检测问题。对红外序列图像进行小波分析 ,使用小波反变换可以将背景中低频分量和高斯噪声去除 ,并采用自适应门限处理 ,再采用非线性滤波 ,最后使用膨胀累积的方法找出目标 ,并得出目标航迹。实验结果表明 ,该方法能有效地检测定位运动红外弱小目标 ,并具有较强的抗噪声性能     

基于视觉对比度机制的红外弱小目标检测算法

针对红外图像中空天、海天等复杂背景及像素点噪声容易造成检测虚警的问题,提出一种基于视觉对比度机制的红外弱小目标检测算法。首先,通过新定义的局部对比度算子获取对比度增强的图像,该步骤可抑制背景杂波与像素点噪声对检测的干扰,提高图像的信杂比,增强目标区域的视觉显著性。然后,利用多尺度方法优化图像的显著区域,以增强算法的适用性,从而实现算法对不同尺寸的弱小目标的有效检测。最后,利用自适应阈值分割方法获取待检测的真实目标。实验结果表明,该算法无需图像预处理环节即可实现对不同尺寸的弱小目标的鲁棒性检测,对比常用算法具有快速性、高效性和较强的适用性。     

云背景红外弱小目标结构相似检测算法

由于自然物具有结构自相似性的分形几何特征,云背景条件下,天空和云彩的红外图像在灰度分布上具有强的自相似性,而目标与自然物边缘是奇异点.小目标与自然物只有边缘,没有分形结构的自相似性.采用八种分形结构对区域内像素进行旋转映射,确定最小误差为该区域的分形结构,进行图像恢复,恢复出的图像只包含背景.当原始图像与恢复图像的灰度差大于阈值时,检测出的目标为弱小目标.     

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BP神经网络的红外小目标检测

针对红外小目标检测问题,提出一种基于BP(back propagation)神经网络的小目标检测算法。该算法利用BP神经网络的函数逼近特性对红外图像进行背景估计,然后根据背景对消原理消去背景噪声,从而检测到潜在的红外小目标。通过仿真实验证明该算法的有效性。     

图像序列弱小目标能量积累检测研究

低信噪比运动小目标实时检测是成像探测应用中的难题.在分析目标检测不同层次处理方法的基础上,针对计算量最大的目标能量积累检测层次提出一种采用指数衰减和方向加权动态规划能量积累检测算法.该算法解决了常规能量积累检测算法实时性差、检测概率低的问题.算法简洁,易于硬件实现,实时性好.给出了算法的实验结果和结论.     

基于多级分类与逆向时空融合的弱小目标检测

弱小点目标检测是红外探测技术中的一个关键问题.针对目前序列红外图像目标检测中单阈值分割时弱小目标易丢失及快速移动目标的能量欠积累问题,提出了一种基于多级分类与逆向时空融合的弱小红外目标检测方法.该方法在对图像进行背景抑制的基础上,采用自适应多级分类的方法提取候选目标,强化了各类弱小候选目标的检测能力.同时,根据目标在相邻帧间的位置变化信息构造动态时空管道,在当前帧候选目标点的真伪无法判定时,沿时空管道逆向寻找可能出现的各类候选目标,将其中的各类候选目标点能量与当前帧候选目标点的能量进行加权求和后再进行门限判决,较好地解决了弱小目标及快速移动目标的能量积累问题.最后,本文通过若干实际红外数据验证了上述方法的有效性.     

改进的分形算法在弱小目标检测中的应用

针对单帧图像中的弱小目标检测问题,提出了一种改进的基于分形的快速检测方法。该方法首先利用图像的局部熵信息对目标进行粗定位,以得到一个包含目标的感兴趣区域,然后利用分形理论构造该区域的分维像,最后对分维像采用自适应阈值分割即可将弱小目标精确检测出来。与传统分形算法相比,提出的改进算法包含粗定位和细定位两部分,它将分形算法要处理的区域缩减到局部熵所估计的小范围内,从而克服了传统分形方法计算量大、抗噪性差的缺点。仿真实验结果表明,该方法能够稳健、快速、有效地检测弱小目标。     

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。     

Tracking maneuvering target based on neural fuzzy network with incremental neural leaning

1 .INTRODUCTIONIn mixing information battle field,it is necessaryto esti mate the targets sport characteristics for i m-proving efficiency of weapons . The military tacticsguided missile defense system and air detectionsystemneed to track andidentify thousands of tar-getsinreal ti me ,the target informationinclude notonly maneuvering target and not maneuvering tar-gets ,but also environment reverberation and falsealarm. These situations take place in accurateweapon launch system, secondary…     

基于神经网络的符号化飞行动作识别

飞行动作识别是飞行训练评估和空战智能决策等多项关键技术的基础, 实现飞行动作的快速高效识别具有重大意义。对此, 提出一种基于神经网络符号化模型的方法, 实现对基本飞行动作和复杂飞行动作高效识别。首先, 利用微分分割的思想对飞行参数进行切片处理, 然后通过卷积神经网络(convolutional neural networks, CNN)和长短期记忆(long-short term memory, LSTM)神经网络实现飞行动作的模块化处理, 有效代替了传统方法中对原始数据的逻辑推理。并且该方法可以利用基本飞行动作对飞行过程实现飞行数据分割, 具有良好的扩展性, 能够快速处理批量飞参数据。最后对13种基本飞行动作、两种复杂飞行动作和整段飞行数据进行仿真实验。仿真结果表明, 该方法具有良好的识别性能。     

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。     

基于改进的CNN和数据增强的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题, 提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout, 随机删除部分神经元, 增强网络的泛化能力。其次, 在网络中引入L2正则化, 简化模型的同时降低结构风险, 并且能有效地抑制过拟合。然后, 采用Adam优化网络, 提高模型的收敛效率。最后, 采用优选的数据增强方法, 扩充SAR目标数据集, 为网络训练提供更为充足的样本, 进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验, 结果表明设计的卷积神经网络识别准确率高, 且具有更好的泛化性。     

高超声速制导炮弹终端滑模控制

针对高超声速制导炮弹的动力学耦合与非线性控制问题,设计一种基于反馈线性化的终端滑模控制器。首先,兼顾控制系统设计的简便性要求与高超声速制导炮弹的强非线性特点,建立非线性控制模型。然后,对模型中动力学耦合问题,根据微分几何理论对其进行反馈线性化,实现俯仰通道与偏航通道的解耦。最后,对两通道分别设计终端滑模控制器,且控制器有限时间收敛。仿真结果表明,所设计的控制器能够快速稳定的追踪指令信号,且在外界干扰与参数摄动的情况下依然具有良好的鲁棒性。     

基于深度卷积神经网络的SAR舰船目标检测

针对传统合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测算法检测精度易受斑点噪声影响,且只能提取底层特征及其泛化性较差的问题,提出了一种基于深度卷积神经网络的SAR图像舰船目标检测算法。首先将目前先进的单次多盒检测器(single shot multibox detector,SSD)检测算法应用到SAR图像舰船目标检测领域,指出了其在该领域存在的局限性,在此基础上提出了基于SSD的新的检测方法,包括融合上下文信息,迁移模型学习,在公开的SSDD数据集上进行了训练和测试,对实验结果进行了对比分析,实验结果表明,相比于原始的SSD检测算法,所提出的方法不仅提高了目标检测精度,同时也保证了算法的检测效率。     

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后,通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后,对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验,结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。     

基于自适应直觉模糊推理的目标识别方法

将自适应神经网络--直觉模糊推理系统(adaptive neuro intuitionistic fuzzy inference system, ANIFIS)引入信息融合领域,提出一种基于自适应直觉模糊推理的目标识别方法。首先,分析了现有目标识别方法的特点与局限性,建立了基于ANIFIS的Takagi Sugeno型目标识别模型。其次,设计了系统变量属性函数和推理规则,确定了各层输入输出计算关系及合成计算表达式。再次,设计了学习算法对网络和规则进行训练修改。最后,以20批典型目标的类型识别为例,分析比较基于直觉模糊推理及ANIFIS推理的输出结果与识别精度。仿真结果表明该方法是一种比较实用、有效的决策融合方法.     

基于RHTC网络的飞机目标检测与精细识别

飞机目标的方向检测和精细识别是高分辨率光学遥感图像解译领域的一个重要任务。针对遥感图像中多方向密集排布飞机的方向检测和识别困难问题, 提出一种基于旋转混合任务级联(rotated hybrid task cascade, RHTC)网络的飞机检测识别方法。首先, 基于混合任务级联(hybrid task cascade, HTC)网络, 扩展分割分支数量, 并将分割分支与包围框分支多层级联以不断加强语义特征。其次, 设计了一个新的斜框回归器, 将其添加在掩膜分支的最后一层以完成目标方向预测。最后, 增加一个新的方向损失函数以优化训练过程, 从而完成RHTC网络构建。在数据预处理阶段, 构建了每类型号飞机目标的精细掩膜以增强目标细节和提高掩膜预测精度。基于DOTA和公开Google图像构建的飞机数据集开展了多组实验。结果表明, 与其他多种先进的方法相比, 所提方法在飞机检测方向精准度和类别平均精准度上性能更优。此外, 所设计的斜框回归器和方向损失函数在嵌入到其他分割网络时也具有良好的性能。