基于特征参数稀疏表示的SAR图像目标识别

通过对合成孔径雷达（synthetic aperture radar,SAR）图像的统计特性分析,提出一种基于特征参数稀疏表示的SAR图像目标识别算法,有效地解决了图像域稀疏表示识别算法存在的高维问题。由低维高精度的广义二维主分量特征构成过完备字典,基于Fisher线性判别准则对该字典进行学习优化,使得类内更紧凑,类间更分开,同时降低了稀疏求解的复杂度。求解测试样本在优化字典下的稀疏表示系数,根据系数矢量的能量特征完成分类识别。MSTAR（moving and stationany target acquisition and recognition）实测SAR图像数据实验的结果表明,该方法稀疏求解复杂度低,并且只需简单的SAR图像预处理即可有效地提高识别的准确率和速度     

基于贝叶斯数据融合的多尺度目标识别

针对红外电厂目标识别问题，提出了基于贝叶斯数据融合的多尺度目标识别方法．该方法研究了前视成像末制导过程中图像目标尺度变化引起的视点角度和特征尺度变化规律，建立了分层次的时空特征模型，根据显著性选取目标特征，采用贝叶斯网络把不同尺度下的显著性特征进行融合，得到正确的识别结果．实验表明，该方法能将多尺度目标的不精确、不完整的特征进行融合处理，从而完成了目标的可靠识别．     

融合目标轮廓和阴影轮廓的SAR图像目标识别

针对合成孔径雷达图像目标识别问题,在基于图像成像模型分析基础上,提出了一种融合SAR目标轮廓和阴影轮廓的目标识别算法.首先提出了一种基于去控制标记符的SAR图像分割算法,得到SAR图像目标轮廓和阴影轮廓,然后用这2种轮廓融合,用傅立叶描述子将二维数据转为一维数据,最后用基于串接准则的融合算法得到识别结果,进行SAR目标识别.基于MSTAR的实验结果验证了本算法的有效性.实验结果证明:目标轮廓和阴影轮廓的结合,除反映本身包含的局部空间结构信息外,还能反映SAR目标的高度信息,较单一轮廓特征,是一种更为稳健的特征.     

基于非参数聚类和多尺度图像的目标跟踪

提出了一种基于非参数聚类和多尺度图像的目标跟踪算法.在利用改进的非参数颜色聚类进行自适应划分目标颜色空间的基础上,定义了目标模型和候选目标模型,该模型利用高斯函数建模颜色直方图中的每一个颜色特征位的空域分布; 根据Bhattacharyya系数的定义得到了目标模型和候选目标模型之间的相似性函数.跟踪算法利用高斯金字塔得到的多尺度图像进行从粗到细的目标空间定位;同时通过利用推导的核函数自动带宽选择公式,实现了目标尺度定位.实验结果表明该方法优于典型的均值漂移跟踪方法,从而验证了该方法的有效性.     

两级2维局部判别嵌入特征提取的SAR图像识别方法

提出一种基于两级2维局部判别嵌入(2DLDE)特征提取方法,并将其应用于SAR图像目标识别.该方法以矩阵的形式处理单个样本数据,对SAR图像采用两级特征提取,先后对图像矩阵从行列两个方向进行投影变换,避免了LDE方法将图像数据转化为向量带来的维数灾难和小样本问题,同时增强了特征判别性.结合相应的图像预处理过程和分类方法,应用两级2维局部判别嵌入特征提取方法对MSTAR SAR图像数据进行实验,证明了该文方法的有效性和优越性.     

基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

基于Riemann核Fisher准则的极化SAR图像人造目标检测

人造目标检测是极化合成孔径雷达(synthetic aperture radar,SAR)图像自动解译中的重要环节。该文提出了一种基于Riemann核Fisher准则的人造目标检测方法。核函数通过Hermite正定矩阵流形上的Riemann度量来构造。极化协方差矩阵映射到核函数诱导的高维特征空间后用Fisher准则进行判别。该方法考虑到了极化SAR数据特殊的矩阵结构,并且不需要任何统计模型假设,因而特别适于检测极化SAR图像中的人造目标。以舰船目标检测为应用背景验证了该方法的有效性。实验结果表明:该方法优于其他常用的检测器,特别是在低目标杂波比条件下。     

结合无监督聚类的SVM二叉树在SAR自动目标识别系统中的应用

结合向量机二叉树是近年发展起来的一种新的多分类识别器,该方法现已证明能有效提高分类精度以及训练速度[1].提出了结合无监督聚类的SVM二叉树的SAR目标自动识别,并对MSTAR的T-72 Variant数据库进行实验,取得了良好的识别效果,为SAR自动目标识别的多类别问题提供了一种新方法和新思路.     

基于泛化空间正则自动编码器的遥感图像识别

为了解决遥感图像中的合成孔径雷达(synthetic aperture radar,SAR)图像的样本稀缺问题,该文提出了针对这一小样本问题的泛化空间和泛化样本理论,将机器学习的分类问题转化为泛化空间中的样本密度估计问题。首先,通过研究泛化空间方法,针对有限样本的识别分类问题建立了样本密度估计模型,并从理论上验证了泛化空间方法的可行性;其次,在正则化自动编码器模型中,加入了泛化规则作为新的正则化因子对图像重构误差进行约束,针对有限样本问题建立泛化正则自动编码器(generalized autoencoders,GAE),并提出利用该算法进行图像识别的模型;最后,将该模型应用于遥感图像小样本目标识别问题中。实验结果表明:GAE在SAR图像中具有最优的小样本学习能力,在样本数量有限的情况下,该方法表现出最小的重构误差和测试错误率。在小样本输入情况下,GAE模型实现了对MSTAR图像以及船舶SAR图像的识别分类,进一步证明了该算法相比于同类算法在SAR图像小样本识别问题中更具有优势。     

基于全局活动轮廓模型的SAR图像分割方法

图像分割是SAR图像处理的一个基础问题,也是影响SAR图像自动解译性能的关键步骤之一．由于斑点噪声的存在,SAR图像分割一直是一个公认的难题．针对这一难题,文中基于短程活动轮廓模型和统计活动轮廓模型,提出了一种具有全局极小值解的新活动轮廓模型,并详细地给出了该模型的理论求解方法、数值近似方案以及基于该模型的分割算法．该模型的新颖之处在于：（1）同时结合边缘信息和区域信息定位目标边界,更有利于实现图像的精确分割;（2）基于SAR图像边缘检测算子的边缘信息项,有利于将活动轮廓线吸引到真实的图像边界;（3）基于G^0分布的区域统计信息项,可提高模型对SAR图像数据的拟合能力;（4）基于总变分对偶公式的全局快速求解算法,显著地增强了模型的实用性．针对仿真图像以及MSTAR,ERS,Radarsat和NASA／JPL AIRSAR等实测数据的实验结果表明,基于新模型的图像分割算法具有分割边界定位准确、分割区域内部均匀、运行高效、无需后续处理、对参数设置不敏感和对初始条件鲁棒等优点．     

基于D-S证据理论和RBF网络的航空发动机叶片损伤图像识别技术研究

针对航空发动机叶片损伤图像采集过程中存在的不确定性因素及单一RBF网络或D-S证据理论在叶片损伤图像识别中存在的不足,提出一种基于D-S证据理论和RBF网络相融合的决策级信息融合损伤图像识别算法。首先,用RBF网络对损伤图像进行初步识别;然后,将RBF网络识别输出结果作为D-S证据理论的基本可信度分配;最后,利用D-S联合规则进行合成,得出最终识别结果。通过单一优化RBF网络的图像识别结果和融合识别结果的对比分析,证明了该方法在航空发动机叶片损伤图像识别方面的优越性。     

基于分块的2DPCA人脸识别方法

将分块理论与2DPCA方法相结合,研究分块二维主成分分析法（M-2DPCA）在人脸识别中的应用.对人脸图像矩阵进行分块,用形成的子图像矩阵直接构造总体散布矩阵并求解对应的特征向量,利用提取的特征向量对图像进行特征的提取与分析,进行人脸识别.基于Yale人脸数据库的实验显示,在相同训练样本和特征向量条件下,M-2DPCA...     

基于分块的2DPCA人脸识别方法

文章将分块理论与2DPCA方法相结合,研究分块二维主成分分析法（M-2DPCA）在人脸识别中的应用。对人脸图像矩阵进行分块,用形成的子图像矩阵直接构造总体散布矩阵并求解对应的特征向量,利用提取的特征向量对图像进行特征的提取与分析,进行人脸识别。基于Yale人脸数据库的实验显示,在相同训练样本和特征向量条件下,M-2DPCA比2DPCA算法具有更高的识别率。结论 M-2DPCA充分利用了图像的协方差信息,在人脸识别方面具有较高的识别率和鲁棒性方面,对进一步研究人脸识别具有重要的意义。     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

一种基于视觉的库区可疑目标识别算法研究

针对库区巡检图像采集设备对图像目标智能识别需求,进行基于视觉的远距离可疑目标识别算法设计与实现. 采用目标检测算法对图像进行目标识别并采集,通过基于卷积神经网络的深度学习模型卷积层对目标图像提取特征,采用基于机器学习传统方法的浅层网络对特征进行可疑目标分类. 根据算法设计实验,实验结果表明本算法模型识别效果良好,可有效减少人工识别工作量,能满足实际应用需要要求.      

基于遗传算法的图像识别方法

分析了图像识别中模板匹配技术面临的计算量大、存储量大的问题,提出了基于遗传算法的图像识别方法。该方法首先对图像模板进行离散化处理,对图像离散点控制,从而把图像识别问题转化成一系列离散点的组合优化问题;然后利用遗传算法对种群优化的性能,对各个控制点组合优化,使各控制点与模板匹配;最后通过计算机仿真实验,证明了这种方法的有效性和实用性。     

基于DCT和2D—PCA的人脸识别算法研究

提出了一种对角DCT和模块2DPCA相结合的人脸识别方法．该算法首先将人脸图像转换成对角图像,提取人脸的行、列与结构信息以求解最优识别向量．然后利用DCT压缩以去掉人眼不敏感的中频分量与高频分量,再由IDCT重建人脸图像,这样有限降低了所需特征的维数,减少了计算量．然后通过模块2DPCA进行特征提取得到人脸识别特征,最后运用最近邻分类器完成人脸的识别．基于ORL及Yale人脸数据库的实验结果证明了该算法的有效性与稳健性．     

利用图像预处理手段提高2DPCA人脸识别性能

针对二维主成分分析在特征提取上存在的缺点,提出一种综合的预处理方法.先将图像对角化表示,保留图像对角方向结构信息;再通过小波变换得到一定尺度的图像;最后利用图像灰度的指数衰减策略,降低算法对光照等变化的敏感性.通过这样序贯处理,能够充分利用2DPCA特性提取图像结构特征,消除与识别无关的细节信息,不仅提高了算法识别精度,还降低了算法对计算机硬件的要求.基于ORL数据库的实验表明,采用预处理手段能获得比传统方法更好的识别性能.     

基于机器学习的Cortex-M监控视频车型识别

为了解决高速公路环境下监控视频图像车型识别需要将海量视频数据上传计算机服务器中心,对所有的视频流图像进行结构化处理和车型识别,造成服务器中心数据压力大、计算任务重,对服务器性能要求高的问题。对此,提出一种基于机器学习的Cortex-M监控视频车型识别的方法。首先,将训练机训练好的六种车型的权值矩阵文件移植到前端Cortex-M核系列开发板上,采用开发板内嵌的CMSIS-NN网络函数库搭建与训练机相同的网络模型结构;同时采用开发板内嵌的CMSIS-DSP库加快图像处理速度,并对选择处理监控视频图像实现车型识别;实验结果表明,该方法平均识别率达到94.6%以上,与采用计算机进行识别相同,可见该方法能够缓解大量视频上传给服务器中心造成的压力,为高速公路环境下监控视频图像车型识别研究提供了一种可选择的方案。