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。     

基于子波变换和神经网络的舰船目标识别

特征提取方法和分类器的选择是舰船目标识别的关键。介绍了一种目标分类和识别的方法。首先利用子波变换和多分辨分解算法对实际采集到的各类舰船目标辐射噪声进行特征提取 ,获得目标的线谱和调制谱特征 ,然后利用模糊自组织聚类网络 (FKCN)分类器对各类目标进行分类识别。最后利用实测数据进行仿真分析 ,并与其它特征提取和分类识别方法比较 ,验证了所用方法的可行性 ,且获得了较好的效果。     

支持向量机在车辆目标识别中的应用

提出了利用支持向量机对战场侦察雷达目标回波信号进行处理,以实现对卡车、坦克等在地面运动的车辆目标进行分类识别的一种新算法。首先对雷达接收到的目标回波信号作频域分析,从中提取待分类目标信号的特征向量,然后利用所建立的支持向量机模型对目标信号作训练和识别,最后与经典谱分析和神经网络的方法作比较,并采用实际数据验证这种识别方法的有效性。     

用多层前馈神经元网络实现运动点目标图像识别

本文主要讨论了远距离目标(即点目标)的识别问题,提出了一种用二阶神经元网络来识别含噪运动点目标图像的方法,给出了点目标运动轨迹参数与速度参数提取方法和二阶神经网络的改时B—P学习算法。在PC—286微机上对本文提出的方法进行了仿真实验,结果表明这种识别方法具有很好的识别效果。     

基于三维模型的多传感车辆定位与识别研究

车辆的定位与识别是智能车研究的重要环节。针对二维算法及单传感的不足,提出了一种基于三维模型的多传感车辆定位与识别算法。定位系统中,通过将雷达的位置估计和图像的灰度信息进行融合来获得位移参数,并将改进的Hausdorff距离和模拟退火算法相结合得到旋转参数。在此基础上,识别系统计算每个模型与目标车辆的匹配值,根据其在采样时段内的平均值确定车辆类型。实验证明,该方法能有效地实现目标车辆的定位和识别。     

基于目标轮廓特征的SAR图像目标识别

提出了一种基于目标轮廓特征的合成孔径雷达目标识别(SAR ATR)方法,该方法充分利用目标的局部空间结构信息进行识别。利用基于马尔可夫随机场(MRF)的图像分割及形态学处理提取SAR图像目标轮廓,在此基础上使用傅里叶描述子作为目标轮廓的特征量,选择最近邻准则下的模板匹配方法构造分类器,实现了基于轮廓特征的SAR图像目标识别。实验结果表明,本文方法具有优良的识别性能。     

雷达自动目标识别中的HRRP特征提取研究

通过分别考虑基于HRRP一阶统计特性的MCC-TMM(模板匹配分类器)和基于HRRP一阶和二阶统计特性的AGC(自适应高斯分类器),提出了两种新的特征提取方法,使得针对不同的分类器采用不同的特征提取方法,从而更好地滤除HRRP上的高斯噪声和更好地保持不同目标HRRP具有不同的幅度分布即HRRP的可分性。基于外场ISAR和微波暗室两种实测数据的识别实验表明,提出的特征提取方法能够明显提高识别性能。     

基于特征鲁棒性增强的多摄像头下车辆识别方法

由于多摄像头下的视角变化、复杂环境和姿态差异等因素,同一辆车在不同场景下的图像表现出巨大的外观歧义性,为车辆的身份匹配带来了挑战。为解决这一难题,在transformer框架下提出了一种面向车辆识别的特征鲁棒性增强的方法。基于车辆结构信息是多个摄像头下域不变的信息,设计了一种轮廓特征引导增强结构信息的模块,并提出了一种结构特征感知损失来促进模型对结构信息的融合;通过将车辆的属性信息作为矢量嵌入到transformer框架中,进一步缓解多视角下车辆姿态改变带来的影响。实验结果表明,所提方法在数据集VeRi-776和VehicleID上均展现出对比同类方法的优越性与更好的识别效果。     

基于SAR仿真图像的地面车辆非同源目标识别

充分的合成孔径雷达(synthetic aperture radar, SAR)模板数据是目标识别算法(尤其是基于深度学习的智能目标识别算法)获得优异识别性能的关键, 基于实际测量获取充分SAR数据是不现实的, 基于电磁散射建模的SAR仿真成为当前获取充分样本的一种有效途径。SAR仿真图像与实测图像为非同源数据, 由于SAR仿真的目标几何模型与实物之间差异、SAR仿真过程中的传感器模型与实际传感器性能之间差异、实物所处的背景环境与SAR仿真的环境之间差异、电磁建模方法本身误差等因素导致SAR仿真图像与实测图像存在差异, 会影响识别性能。针对这一问题, 首先采用一种基于高频渐近技术和离散射线追踪技术的SAR仿真方法获取地面车辆目标的SAR仿真图像, 再利用卷积神经网络方法、线性/非线性特征变换方法实现对MSTAR实测数据的非同源SAR目标识别性能对比分析。实验结果表明, 直接使用SAR仿真数据无法实现对实测SAR数据有效识别, 而线性/非线性特征变换可以改善非同源SAR目标识别性能, 一定程度上缓解由于SAR仿真数据与实测数据存在差异导致的识别性能差的问题。     

基于人体静态和动态特征融合的步态识别

提出了一种简单有效的自动步态识别算法.对于每个序列用背景减除方法检测行人的运动轮廓,算法利用步态轮廓图像下肢左右边界的距离矢量对步态轮廓图像进行描述,采用步态图像两脚的宽度进行准周期性分析.利用连续隐马尔可夫模型并融合步态的静态外观信息模型进行步态时变数据匹配识别.算法在Little和Boyd,NLPR和CMU数据库上进行实验均取得了较高的正确识别率.     

听觉感知特征在目标识别中的应用

将听觉感知特征用于声学目标识别,实现对稳态噪声样本的识别,证明听觉感知特征在声学目标识别领域中的有效性.首先通过语音和乐音识别领域的研究成果确定听觉感知特征的提取方法,然后在汽车、飞机、舰船和乐器等不同类型的声目标中进行识别研究.结果显示:对于平稳噪声样本,听觉感知特征中的谱特征具有突出的优越性,其中基于Mel倒谱系数、谱下降值、分段谱质心、分段谱质心带宽和分段谱通量能够识别目标,且具有较高的识别率和稳健性.     

基于路面谱随机激励的履带车辆舒适性仿真研究

利用随机路面激励对七自由车辆振动模型所产生的振动响应进行舒适性仿真分析。首先采用谐波叠加法、滤波白噪声及AR自回归模型法生成路面不平度并进行了对比反演验证,通过构建七自由度履带车辆模型并利用Matlab仿真软件建立舒适性评价方法,利用同一车速、不同路面下驾驶员座椅处加速度频率响应与舒适降低工作效率界限进行比较,即可对履带车辆舒适性进行评价分析。     

人脸识别:一种基于特征融合及神经网络的方法

基于特征融合和神经网络构建了一个完整的人脸识别系统。首先使用广义K-L变换对人脸的自组织特征和形状特征进行融合；然后使用UDT(Uncorrelated Discriminant Transfom)对融合后的特征进行变换，以获得最优鉴别矢量；最后使用多层感知器作为分类器。仿真结果证明了该方法的有效性。     

话者识别系统中语音特征参数的研究与仿真

在说话者识别系统中，提取反映说话者个性的语音信号特征参数是系统的关键问题之一．研究并提取了几种重要的语音特征参数，包括线性预测倒谱系数、美尔倒谱系数、语音动态参数等，对这些参数进行了分析和比较，并研究了将多种参数组合使用对识别系统性能的影响．通过仿真和实验，证明混合参数识别方法能使话者识别系统的正确识别率有明显的提高。     

基于核的Fisher极小鉴别分析及人脸识别

Fisher鉴别分析被公认为是特征抽取的有效方法之一,但由于其只能抽取线性特征,而对于实际应用中复杂的样本图像分布,抽取非线性鉴别特征显得十分必要.先前的基于核Fisher鉴别分析算法虽然解决了非线性特征抽取问题,但是其存在最终特征维数受类别数限制的问题.为了能够进一步提高特征提取效率,提出了一种基于核的Fisher极小鉴别分析方法,该方法使得最终特征雏数不受类别教限制.在Yale和NUST603人脸库上进行了鉴别性能实验,实验结果验证了该方法的有效性.     

基于多尺度分频和变权的战场声目标识别

提出一种基于多尺度分频和变权的战场声目标分类与识别的快速算法,为战场环境下快速识别典型声目标提供了一种实用方法.首先对信号进行离散傅立叶变换,获得幅频谱,对幅频谱进行平滑递推滤波,之后对其进行多尺度分频,在同一尺度上求取幅值均值,并对其进行定量归一化,将归一化后的数组作为此尺度上的特征向量,多次训练获得大量特征向量数组,基于相似性系数的特性,从中提取特征向量模板,并给出模板相应的权重.最后,采用基于相似性系数的分类器,对信号进行分类与识别.并将此算法与传统的特征提取算法进行试验对比.试验结果表明,基于多尺度分频和变权的战场声目标分类与识别算法简单有效、识别率高、计算周期短、实时性好、适合目标跟踪时间较短的场合.     

融合小波分析与矩特征的图像识别算法及应用

生物特征识别方法正逐渐成为近年来的研究热点,而人耳图像的识别更是其中一个新兴的研究方向.研究了小波变换模极大值、小波不变矩的原理及特点,提出了基于小波模极大值与改进小波矩不变量的特征提取方法,并将其应用于人耳图像的自动识别.识别过程中先对采集到的人耳图像进行小波模极大值去噪处理与边缘提取,再对处理后的图像求小波矩不变量,将其作为人耳识别特征量.通过这种方法提取的特征量不仅可以解决光照不均、光照变化、噪声干扰的问题,而且还有平移、旋转缩放不变性.将本文得到的特征量使用误差处理方法进行加权并利用BP神经网络方法进行分类,实验结果表明,这些特征量适合于人耳图像的分类,其识别率达到了97%以上.     

一种最优的核Fisher鉴别分析与人脸识别

基于核的Fisher线性鉴别分析(KFDA)已成为抽取非线性特征的最有效方法之一。但是,针对必然面临的奇异性问题,如何抽取非线性最优鉴别特征还没有得到很好的解决。基于同构映射的思想,我们提出了一种最优的核Fisher鉴别分析(OKFDA)方法,从理论上巧妙的解决了奇异情况下最优鉴别矢量集的求解问题。在FERET人脸库的子库上的实验结果验证了OKFDA方法的有效性。     

基于非负矩阵分解新的人脸识别方法

非负矩阵分解是一个新的特征提取方法,基于非矩阵分解的理论,提出了具有正交性的投影轴的计算方法和具有统计不相关性的投影轴的计算方法。与原非负矩阵分解方法,提出的方法在某种程度上是降低了特征矢量之间的统计相关性,并且提高识别率。通过在ORL人脸库和YALE人脸库上进行实验,结果表明提出的两种特征提取方法在识别率方面整体上好于原非负矩阵分解特征提取(NMF)方法,甚至超过主成分分析(PCA)法。