SAR图像的特征提取与目标识别

针对已有的SAR图像自动目标识别方法效果不太好的问题，提出了SAR图像的自动目标识别三种方法，即采用灰度特征的目标识别，采用栅格特征的目标识别，和采用模版特征的目标识别.理论和实验表明，采用模版特征的目标识别效果比较好.     

基于多尺度特征选择与融合的目标检测方法

针对多尺度目标检测中特征图特征混淆和特征丰富程度不足的问题,提出一种基于多尺度特征选择与融合的目标检测算法。设计了一个特征选择模块来分离出不相关的特征,并结合特征金字塔网络形成特征选择网络结构,降低特征图中不同尺度目标的局部特征对当前尺度特征的干扰;提出一种浅层特征融合方法,将浅层特征逐级融合到较深层级特征中,解决特征图的特征不够丰富问题。结合特征选择架构和浅层特征融合架构,在PASCAL-VOC2007数据集上进行测试,结果mAP达到了80.1%。相较于基础的单阶段目标检测(single shot detection, SSD),所提算法的网络性能可提高2.9%,且在一些小目标和遮挡目标的检测效果上有明显的提升。通过对比和消融实验,证明了所提方法的有效性。     

基于机器学习算法的合成孔径雷达图像的目标识别

合成孔径雷达有着观测范围广和分辨率高的特点,可以全天候工作,并能有效地识别伪装和穿透掩盖物,但也存在雷达图像数据量大且目标电磁散射特征复杂等特点,为目标的识别引入了噪声和干扰,因此发展快速和智能化的SAR图像目标识别技术得到越来越多的关注.本文针对美国空军研究实验室SAR图像中的8个目标物引入3种机器学习算法和一些数据处理方法构建了相关的识别模型,并对其识别能力进行对比分析,结果显示这3种机器学习算法通过优化算法都可以获得较高的识别准确率(> 80%),尤其是KNN算法的测试集准确率都可以高达97%.本文研究结果可为SAR目标识别的人工智能化技术提供一些方法上的参考和指导.     

SAR图像舰船目标的特征识别

详细分析了舰船在SAR图像中的特征;并且根据海上目标所具有的背景单一、结构复杂的特点,提出了利用舰船目标的特征量识别目标类型的新思路,提取了舰船的面积、周长、积分光学密度、欧拉数、长度、主轴方向角、细长度等特征量,给出了相应的提取算法.     

基于卷积神经网络的合成孔径雷达图像目标识别

为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。     

运动图像序列自动解析方法的研究

针对赛铤运动图像序列的特点，提出了跟踪匹配的自动解析方法，即在模板匹配法中加入跟踪的概念，使得样本模板的中心随特征点的移动而变化。这种算法与一般的模板匹配法比较，可以进一步缩小搜索区域，减少计算量，降低失跟率。     

一种有效的聚束式合成孔径雷达图像特征提取算法

提出一种聚束式合成孔径雷达图像特征提取的有效算法.通过小波变换图像去噪法提高信噪比;利用Canny算子完成边缘检测;根据雷达图像的特点提出边缘检测后不做曲线闭合,而直接进行阈值处理的图像分割.图像预处理后提取具有旋转、尺度、平移不变性的Hu矩作为特征矢量并归一化,在训练阶段引入聚类分析.以MSTAR实测数据为样本,用最近邻分类器和BP神经网络分类器对该特征提取算法进行识别能力测试,算法的有效性得到了验证.     

智能化武器系统发展的关键技术--雷达自动目标识别技术

雷达目标识别作为智能化武器发展的关键技术,在未来信息化条件下一体化联合作战中发挥着极为重要的作用。简要回顾了雷达目标识别技术的发展,重点介绍了在雷达目标识别方面取得的技术进展和主要成果,并概括了该领域的发展趋势。     

基于粗糙集的视频片段自动分类方法

网络的普及和交互电视的应用推动了视频分类的发展,迫切需要一种方便、快速的自动视频分类方法。本研究利用从视频片段中提取的与镜头有关的特征、颜色特征、音频特征和运动特征作为视频内容分类的可计算特征,并基于粗糙集理论,发挥其无需先验信息而从信息系统中分析多余属性的能力和从决策表中抽取规则的能力,对上述可计算特征进行分类形成规则,从而实现对视频片段的分类。     

图像目标识别与跟踪方法研究

为研究目标识别与跟踪领域的新方法,提高图像检测技术的水平,对现有的图像目标识别与跟踪方法做了一个系统的总结,包括图像预处理、图像特征提取与识别、目标跟踪三大模块,分别对每一模块所采用的方法进行介绍、归纳.     

SAR图像目标识别特征提取与选择方法研究进展

SAR图像自动目标识别在图像情报获取、目标跟踪、战场监视和打击效能评估等方面有着广泛的应用。简要介绍了合成孔径雷达图像解译特点和SAR图像目标自动识别流程,论述了SAR图像目标识别特征提取与选择方法的研究进展,并对目前目标识别特征提取存在的问题进行了分析。     

运动图像序列自动解析方法的研究

针对赛艇运动图像序列的特点，提出了跟踪匹配的自动解析方法，即在模板匹配法中加入跟踪的概念，使得样本模板的中心随特征点的移动而变化，这种算法与一般的模板匹配法比较，可以进一步缩小搜索区域，减少计算量，降低失跟率。     

基于贝叶斯分类器的图像分类

通过对朴素贝叶斯分类器的讨论, 提出将贝叶斯方法应用于医学图像分割后的图像分类思想. 给出一种基于朴素贝叶斯分类器的图像分类方法, 对从尿沉渣图像中识别出的微粒进行正确分割及特征提取与选择, 并利用朴素贝叶斯分类器进行分类. 实验结果表明, 所提出的方法用于解决图像分类有效.     

一种改进的Zernike矩的雷达图像目标识别方法

针对Zernike不变矩目标识别算法计算复杂,计算复杂度高的不足和雷达图像乘性噪声严重和识别率不高的问题,提出了一种快速计算Zernike矩目标识别算法.该算法通过利用Zernike矩对称性和反对称性对雷达图像进行快速计算求得不变矩,然后通过加权求得新的特征向量,最后通过支持向量机进行目标识别.实验结果表明,提出的算法不仅解决了计算过于复杂的问题,还降低了噪声且提高了目标识别率.     

含噪图像中动目标轮廓的实时提取

提出用模式和模式分布理论分析活动图像边界的特征以及硬件检测、提取动目标轮廓的方案．在５点处理窗口中，分别检测出当前帧内的水平轮廓和垂直轮廓，再和前一帧的图像轮廓进行异或操作，检测出活动图像轮廓．给出了软件模拟结果，详细论述了硬件设计原理和方法．该检测方法具有一定的抗噪能力、运算量小、速度快、可实时工作、成本低等优点．     

kPCA特征提取算法的自动目标识别

分析了主成分分析（PCA）与核主成分分析（kPCA）的基本原理,比较了两者在处理数据方面的性能,得出了kPCA比PCA在处理非线性可分数据方面具有优势的结论．依据几何绕射理论（GTD）,通过Matlab仿真方法得到HRRP（高分辨距离像）数据,并以这些数据作为训练和测试样本,结合SVM分类方法,分别测试比较了基于4种不同核函数的分类识别性能,得出基于高斯核函数主成分分析的自动目标识别系统性能明显好于其他3种核函数的结论．     

HRRP自动目标识别方法综述

雷达高分辨距离像自动目标识别是近年来雷达目标识别广受关注的一个研究领域. 基于国内外HRRP自动目标识别方法的研究现状,指出目前研究工作中亟待解决的两个问题:非合作目标的识别与分类超平面的获取;针对待解决问题提出目前研究工作中的3个重点:信噪比失配问题的研究,少量不完备样本的研究以及分类超平面获取方法的研究;对每个研究重点的研究思路进行详细划分,包括移除噪声成分、特征提取以及支持向量等,并归纳每种思路的研究现状;最后,对3个重点的研究现状进行总结评述并指出未来的发展方向.      

一种基于模糊聚类的自动目标识别算法

研究利用低分辨率雷达视频回波信号实现可靠的自动目标识别问题 ,提出了一种基于模糊聚类的自动目标识别算法 .基于这种算法 ,对三类船目标进行实验 ,获得平均近 90 %的正确识别率 .理论和实验表明 ,采用这种算法可以设计出可靠的自动目标识别系统     

基于轻量卷积神经网络的目标跟踪改进算法

针对现有目标跟踪算法在跟踪过程中遇到目标形变、遮挡等干扰属性导致不能对目标进行有效跟踪的问题,提出一种基于轻量卷积神经网络（lightweight convolutional neural network,LWCN）的目标跟踪改进算法。首先利用改进的卷积神经网络对模板图片和跟踪图片进行特征提取,并将不同层次的特征图充分利用,解决了随着网络加深而导致部分特征丢失问题;其次融合CN特征和HOG特征作为相关滤波器中目标特征表达,增强在不同干扰属性下的目标描述能力;再次通过最大响应值对当前目标位置和目标尺度进行判断,并决定是否更新滤波器模板;最后将LWCN算法与其他算法在OTB50、OTB100、UAV123等数据集上进行性能对比实验。实验结果表明,LWCN算法具有较好的稳定性和实时性,并在遇到形变、遮挡、光线和背景变化时,跟踪结果优于大部分算法。     

基于混合空洞卷积网络的多鉴别器图像修复

为了有效解决大面积语义信息缺失、孔洞区域大小及形状不规则、图像背景复杂时修复结果出现边缘模糊、伪影或修复失真等缺陷,提出了一种基于混合空洞卷积网络的多鉴别器图像修复算法.首先,将待修复图像输入一个基于混合空洞卷积层的模糊卷积网络,以重构损失为标准,进行粗修复.然后,将粗修复结果输入双平行卷积网络,该网络包含混合空洞卷积...