军事目标红外图像的形状识别系统

随着目标自动跟踪、识别技术的发展,对目标特征提取技术的要求变得愈来愈高,基于目标形状的跟踪、识别系统的发展非常迅速。本文针对目标红外图像的特点,提出了一种新的目标形状分类、识别系统,该系统包括目标图像预处理、目标分割提取、目标边界探测以及目标形状分类、识别。系统中,我们采用一种均值——中值混合滤波方法来消除噪音的影响,利用峰谷法分割提取目标,进而提取目标的边界,在目标边界提取的基础上,提出了边距离分布特征的概念用于目标的分类、识别。     

雷达目标自动识别系统的拒识新算法

提出了一种基于代价因子的Fisher判别函数拒识门限确定算法.该算法充分考虑了系统识别和误识的代价因子,引入Fisher判决理论,确定了拒识门限.设计了基于独立分量分析(independent component analy-sis,ICA)的雷达目标特征提取方法,将雷达高分辨距离像(high resolution range profile,HRRP)在"基信号"域中分解,提取相应的基系数组成向量,作为目标特征向量.采用基于欧氏距离度量的K最近邻(K nearest neighbor,KNN)分类器作为识别系统的分类规则,并引入拒识门限设计了一种新的分类器.实验结果表明,基于以上算法的雷达目标识别系统在最小代价前提下具有较高的正确识别概率.     

一种军事图像目标识别神经网络系统

在军事图像目标识别中,目标通常发生比例、平移、旋转变化,有时还处于复杂背景之中或部分被障碍物遮挡,而识别往往要求是实时的。这使得传统的图像目标识别方法不能获得较好的效果。本文提出了一种神经网络目标识别系统,该系统能直接识别图像目标,而无需提取图像中的目标特征,具有目标识别的比例、平移、旋转不变性,具有良好的复杂背景下的目标识别性能,是一种高速、实用、识别率高的军事图像目标识别神经网络系统。文中给出了改进的神经网络模型并针对不同军事目标的识别需要进行了仿真实验。     

基于多神经网络分类器的目标识别仿真实验研究

水下目标识别在国防及国民经济中具有重要的作用，为了提高神经网络分类器分类结果的有效性和可靠性，本文提出了一种利用多神经网络分类器输出向量来实现对各分类器进行加权的算法，舰船目标实测数据分类实验证明：基于该算法的多分类器融合技术能有效地提高目标识别的性能，同时选择适当的表决阈值又可提高分类结果的可靠性。因此，该算法在水下目标识别系统中具有一定的工程应用价值。     

基于边界矩和改进FCM聚类的水下目标识别

水下目标的识别是水下机器人对环境动态感知、快速定位与跟踪视觉目标的关键, 本文针对水下成像的特殊性以及成像环境的复杂性,旨在设计一种快速、准确的目标识别系统以指导水下机器人进行下一步的任务. 首先, 综合运用一些流行的算法, 简要介绍了一种有效的边界分割算法; 然后通过对边界矩的分析和修正, 构造了具有平移、旋转及比例变换不变性的仿射变换; 最后详细描述了改进的FCM聚类识别的设计理念. 通过对实测的4类物体组成的水下目标的识别实验, 证明了所提水下目标识别系统可以用于水下目标识别, 并且具有较高的鲁棒性和实时性.     

复杂背景下毫米波雷达目标识别的一种方法

针对毫米波雷达工作背景复杂、回波信号信杂比较低的情况，本文在对杂波信号双谱特性进行分析的基础上，提出一种基于双谱理论与假设检验思想的适用于强杂波下的目标识别方法。首先，对回波信号作双谱估计，然后根据回波双谱估计出杂波的分布，自适应地设定门限，以对双谱作相应处理，用于特征提取、目标识别。实验结果表明，经过处理的双谱抑制了大部分的杂波，保留了丰富的目标信息；识别系统在强杂波下仍然具有良好的识别结果。     

弹道目标空间反识别措施发展态势浅析

弹道目标空间反识别技术的研究具有重要意义。隐身和诱饵技术虽然在减小探测距离和拖延识别时间上具有一定作用 ,但是现代防御系统的天基和地基探测与识别系统通过对一段时间内累积信息的融合分析 ,仍能判别出真实目标的特征。因此 ,提倡对基于机动和近炸的双模式主动反识别技术进行探讨 ,并提出了若干问题以待研究。     

基于神经网络的辐射源识别系统设计

针对当前辐射源识别系统中存在的问题,提出了一种结合神经网络技术的辐射源识别新方法。该方法可以快速高效的识别各类辐射源,既有基于统计分析的辐射源识别系统的快速性,又有基于专家系统的辐射源识别系统的自适应性和准确性。实际仿真结果表明该方法是有效的,尤其对于参数不全、参数畸变的雷达辐射源,其识别率和识别置信度都有较大提高。在本文方法的基础上,设计出一种结构简单、快速有效的辐射源识别系统,具有一定的推广价值。     

基于道路信息的雷达地面目标过滤

地面目标过滤是机载预警雷达航迹优化的一个重要内容,可以有效地改善目标航迹质量。针对地面目标过滤问题研究了一种利用道路信息的地面空中目标识别方法。首先给出了一种将目标滤波点迹匹配到路段的快速算法,该匹配算法可以快速选择用来识别目标的路段,然后在目标沿直线道路行驶和沿折线道路转弯行驶两种情况下,设计了相应的基于航迹与道路相似度的识别规则,最后通过仿真实验验证了上述识别规则的可行性和有效性。仿真结果表明,该识别规则能以较高概率识别地面目标以及与道路相似度不大的空中目标。     

雷达目标识别系统的层式软件结构

从雷达目标识别系统的实际需求和研制特点出发,借鉴模块化系统设计思想的优点,提出了以层为基础的分析方法,设计了识别系统软件的层式结构。基于该软件结构成功研制了适应于不同雷达的目标识别系统,并投入使用。理论分析和实际应用表明,层式结构可以合理组织不同的数据处理方法,适合于目标识别系统的研制开发,为创建通用的识别系统开发、测试及应用平台提供了体系结构和实现途径。     

雷达舰船目标HRRP成像视角参数估计

针对雷达舰船目标一维距离像敏感于姿态角,分析了成像视角对船长估计精度的影响,提出一种舰船成一维距离像视角参数估计方法,首先建立雷达舰船运动模型,对雷达跟踪数据预处理,并估计出目标的运动状态和航速,通过稳健回归估计方法进行二次曲线拟和,估计出舰船目标成像视角参数,通过本文方法估计的视角参数可用于基于高分辨距离像的舰船目标识别和船长估计中。经实测数据验证表明,估计出的视角平均误差小于5°,本文方法易于实践,具有较高的工程应用价值。     

基于卷积神经网络的海面目标全极化高分辨距离像识别技术

针对雷达目标全极化高分辨距离像(high resolution range profile, HRRP)提取可分性特征时, 利用全部距离单元作为度量尺度无法保留各距离单元具体特征的问题, 在综合利用4个极化通道的舰船目标HRRP信息时选择单个距离单元作为度量尺度。在此基础上, 提出基于Pauli分解, H、α、A、α₁分解和结构相似性参数的特征提取方法对目标极化散射矩阵进行特征提取, 并将提取得到的特征与基于卷积神经网络(convolutional neural network, CNN)的舰船目标HRRP识别方法结合, 利用改进残差结构CNN从极化特征中进一步提取深层可分性特征进行目标识别。实验结果表明, 所提方法能够保留目标全极化HRRP更多特征, 提高目标识别的准确率。     

基于改进ResNet网络的复数SAR图像舰船目标识别方法

合成孔径雷达(synthetic aperture radar, SAR)采用微波相干成像, 因此SAR图像本质上是复数的。传统基于神经网络的SAR图像目标识别方法, 通常只处理SAR图像的幅度信息, 无法有效利用SAR图像特有的复数信息。本文面向SAR图像中的舰船目标识别应用, 从SAR图像的本质出发, 首先通过组合SAR图像的实部、虚部和幅度三通道信息, 隐式地提供了输入数据的复数信息表示; 然后在ResNet18网络及其结构基础上引入通道注意力机制, 使网络能自适应学习实部、虚部和幅度三通道之间包含的复数信息; 最后引入标签平滑正则化, 解决因复数数据集样本较少出现的过拟合现象。基于OpenSARShip数据集的实验结果表明, 所提方法可以较好利用SAR图像本身的复数信息, 在一定程度上提升了基于深度神经网络的舰船目标识别效果。     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

基于YOLOv5的舰船目标及关键部位检测算法

为进一步提升对可见光图像中水面舰船目标的检测识别成功率,提出一种基于YOLOv5的舰船目标识别算法。使用基于随机池化方法的空间金字塔池化网络,运用双向特征金字塔网络进行多尺度特征融合,采用指数线性单元函数作为激活函数加快网络训练收敛速度,提升算法鲁棒性,从而实现了对水面舰船目标和舰船关键部位的快速准确识别。通过在舰船目标及其关键部位数据集上实验验证,对比多个经典目标检测方法,在识别准确率上均有不同程度提升,对比原YOLOv5s模型,平均精度均值提升3.03%,速度提升2 FPS,模型保持了YOLOv5轻量化的特点,在应用部署上有良好前景。     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

基于灰关联分析的目标识别方法研究

深入研究了灰关联分析方法在目标识别中的应用，提出了基于灰关联分析的目标识别方案，给出了对目标声信号进行灰关联分析的方法和步骤，并以此作为灰色目标识别的基础，在此基础上，利用舰船声场通过特性仿真数据建立了典型目标的模本数据和待识目标样本数据，进行了舰船目标声信号的灰关联分析，确定了目标识别与分类的判据，对两类舰船目标类型进行了识别，从而验证了灰关联分析方法应用于目标识别的可行性和有效性。     

子波神经网络及其在自动目标识别中的应用

本文分析了于波神经网络（ＷＮＮ）的生理依据，构造了便于启发式特征抽取的子波。研究了该子波及其相应的ＷＮＮ在非相干雷达船目标特征抽取中的应用。对现场实录的四类船目标回波数据进行实验，结果表明新构造的低维特征具有较高的目标分类应用价值，抗噪性能良好．     

舰船红外成像目标实时识别与跟踪系统研究

同时考虑硬件设计、算法研究、软件实现三个方面,成功高效地设计了一个舰船红外成像目标实时识别与跟踪系统。硬件上采用主从式结构,主机为控制计算机,从机为TMS320C6201芯片及其外围电路构成的图像处理系统。算法研究尽量实用化,提出了一种新的目标识别和跟踪算法。软件实现时,基于硬件和软件采取了许多优化措施。该系统已成功应用于光电干扰效果评定实验中。     

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。