基于分级轮廓分形特征的舰船目标识别方法

采用一种共线性检查算法去除舰船轮廓底边，利用轮廓曲率的分级分形特征建立前视成像末制导过程中舰船目标的分级模型数据库，提出了一种基于分级分形特征的大型舰船目标识别方法．对舰船目标的实验结果表明了该识别方法的有效性和正确性．     

局部遮挡目标的识别

提出一种局部遮挡目标的识别方法，该方法利用多边形近似方法将目标轮廓分段，抽取目标轮廓每一小段的不变矩作特征，利用动态规划技术在段间距离表中寻找归佳路径，确定所有的匹配对，这些匹配对序列构成了目标与模型的局部匹配，可从匹配中计算匹配可信度，该方法简单，有效，抗噪声能力较强，是一种较好的局部目标识别方法。     

局部遮挡目标的识别

提出一种局部遮挡目标的识别方法。该方法利用多边形近似方法将目标轮廓分段，抽取目标轮廓每一小段的不变矩作特征，利用动态规划技术在段间距离表中寻找最佳路径，确定所有的匹配对，这些匹配对序列构成了目标与模型的局部匹配，可从局部匹配中计算匹配可信度。该方法简单、有效、抗噪声能力较强，是一种较好的局部目标识别方法。     

基于显著性检测的红外舰船目标检测识别技术

为有效解决舰船目标的检测与识别问题,提出一种基于显著性检测和Hu不变矩的红外舰船目标检测识别方法,首先使用中值滤波、维纳滤波及灰度非线性变换去除噪声,增强对比度,然后利用Itti算法模型进行显著性检测,针对检测分割后的舰船目标提取几何特征、灰度特征和Hu不变矩特征进行综合识别.经大量仿真实验证明,此方法具有较高的检测识...     

利用轮廓分形区别人工目标与自然物体算法研究

根据人工目标和自然物体的固有差异，提出了一种在轮廓链码基础上提取轮廓粗糙性曲线的算法。在实际得到的水杯，车辆及岩石图像中，利用Ｖａｒｉａｔｉｏｎ算法进行了计算物体轮廓粗糙性曲线分维的实验。实验表明，水杯及车辆轮廓的分形维数较低，岩石则具有较高的分形维数，通过同二维结果的对比，从计算量的分形维数两证明用所提出的算法计算轮廓分形维数区别人工目标和自然物体是可行的。     

一种多尺度目标的序贯识别新方法

提出了一种基于分级特征模型的多尺度目标序贯识别新方法，研究了不变矩特征的尺度变化规律；建立了多尺度目标不变矩的分级特征模型，进而完成多尺度目标的序贯识别，多尺度舰船目标的模拟实验表明，这种基于不变矩分级特征模型的序贯识别算法，能有效地完成多尺度目标的识别，从而证实了分级特征模型符合多尺度目标特征的变化规律，有利于表达多尺度目标的特征，提高目标的检测，识别概率，减少计算复杂性。     

一种多尺度目标的序贯识别新方法

提出了一种基于分级特征模型的多尺度目标序贯识别新方法；研究了不变矩特征的尺度变化规律；建立了多尺度目标不变矩的分级特征模型，进而完成多尺度目标的序贯识别．多尺度舰船目标的模拟实验表明，这种基于不变矩分级特征模型的序贯识别算法，能有效地完成多尺度目标的识别，从而证实了分级特征模型符合多尺度目标特征的变化规律，有利于表达多尺度目标的特征，提高目标的检测、识别概率，减少计算复杂性．     

舰船目标识别技术研究进展

 舰船目标的有效识别和监控对维护海洋权益、保障海上航行安全至关重要。根据舰船目标信息的获取形式，从辐射噪声信号、雷达回波信号、卫星遥感图像、合成孔径雷达图像、红外图像、可见光图像几个舰船目标的主要信息获取来源出发，阐述了舰船目标识别技术的研究进展，总结分析了目前基于不同信号源的舰船目标识别方法普遍存在的具有高度任务相关性、计算成本高与运行时间长等问题。结合深度学习技术在语音识别、图像识别等领域的发展，建议将基于深度学习技术的典型目标识别方法Faster R-CNN及YOLO引入舰船目标识别领域，以研究鲁棒性更好、准确率更高、实时性更强的舰船目标识别方法。     

基于改进Mask R-CNN的可见光图像中舰船目标检测方法

针对基于卷积神经网络的目标识别方法中经典的矩形检测框在检测舰船目标时会框出很多无关区域,易出现漏检、误检等问题,提出基于改进Mask R-CNN （mask region-based convolution neural networks）的舰船目标检测方法,在Mask R-CNN网络的基础上通过增加判别模块、类别预测分支和语义分割分支对视觉系统采集的可见光图像中的舰船目标进行目标定位和类别预测,同时获得舰船目标的边缘轮廓并实现对军舰目标的语义分割,为海上无人作战系统提供更精确的信息.实验结果表明,该方法在保持较高检出率和运行效率的同时误检率较低,舰船目标的平均检测精度较高,具有良好的舰船目标检测性能.      

基于归一化链码直方图和最小外切矩形的舰船目标识别方法

针对归一化链码直方图在目标旋转上无法保持稳定不变性的缺陷,提出了归一化链码直方图与最小外切矩形相结合的舰船目标识别方法,利用求取目标区域最小外切矩形的过程,对目标区域进行方向规范化,再求取规范化后目标轮廓曲线的归一化链码直方图,最后对舰船目标进行识别。实验结果表明,该方法克服了归一化链码直方图在目标旋转不变性上的缺陷,对目标区域的任何角度旋转都能保持稳定的不变性,对舰船目标的识别效果更好。     

一种基于轮廓特征的运动目标识别方法

针对视频图像中形状匹配的局限性,即当待检测物体出现平移、旋转变化时识别目标需要很长的计算时间,提出了一种基于轮廓特征的运动目标识别方法.首先获取能自动更新的背景图像,采用背景减法提取运动目标的轮廓,然后运用其轮廓的边界不变矩特征和形态学特征,构建一个轮廓特征向量的模型,再分析比较待测运动目标轮廓特征向量与每类标准样本之间的欧氏距离,实现对运动目标的识别分类. 试验结果表明,该方法具有识别精度高、计算量小、实时性好的特点.     

基于分形理论的岩相图像识别与分析

基于分形理论,应用计算机数字图像处理技术,提出了一种岩相图像识别与分析的新方法。在对典型岩相图像进行图像处理的基础上,介绍了岩相轮廓的顺序跟踪识别方法,给出了岩相轮廓分形维数的具体计算公式和方法,最终得到不同岩相轮廓的分形维数。通过比较不同岩相的分形维数可知,同一种岩相轮廓具有比较接近的分形维数,而不同岩相分形维数相差较大,这说明分形理论可用于岩相图像识别与分析。     

基于小波分解的多分辩率目标识别

在离散分形布朗随机场理论的基础上，提出一种多分辩率目标识别方法。它以小波分解为主要的数学工具，利用随机场的功率谱关系，完成了由粗到精的目标识别。此方法的最大特点是目标在小具有自适应性，同时也使得计算量大大减少 。     

高分辨率SAR卫星图像舰船目标识别可用性分析

SAR卫星图像的分辨率直接影响着舰船目标识别结果.采用高分辨率SAR遥感图像,选取了两个较为直观的几何特征即长度和轮廓形状,对当前SAR图像舰船目标识别的能力进行了分析;给出了不同分辨率下的SAR图像的目标几何结构量算能力比对结果,为高分辨率SAR图像的舰船目标类型、识别算法研究提供相应支持.     

基于模糊神经网络的舰船目标识别的方法研究

舰船目标类型识别是海军作战的一项重要功能，传统的识别方法有贝叶斯法和登普斯特－－谢费方法等。这些方法都存在这样那样的不足，采用模糊数学和人工神经网络垭识别水面舰船目标可使数据具有更好的有效性和可靠性。提出了将常规神经网络的信息向模糊信息转化的模型。     

一种新的红外舰船图像分割方法

为了能够较好地分割出舰船目标，实现后续的目标检测和识别，提出一种基于显著性检测的红外舰船图像分割方法。首先利用AC算法和FT算法对图像进行处理，将两种方法处理后的显著图合并，提高目标轮廓亮度，然后利用选大恒虚警检测的原理对图像进行二值化分割。通过对比其他几种分割算法，证明此算法有更强的抗干扰能力，分割效果更好。     

基于激光雷达的车辆跟踪与识别方法

提出了一种基于激光雷达的车辆跟踪与识别方法.该方法采用Kalman滤波实现目标跟踪,运用坐标变换法消除不同数据帧中物体形状差异对跟踪中心的影响,结合车辆矩形投影及速度特征识别车辆.针对由于遮挡或某部分反射率低而引起的目标分割现象,提出了一种结合车辆外形与轮廓特征的聚类合并算法.仿真实验表明,该算法精度高、实时性好且鲁棒性强.     

基于统计学方法的水面目标特征提取

在使用统计学方法对水面目标进行特征提取时,由于传统的方法进行自动目标识别的效果与RO（I感兴趣区域）定位算法有直接的关系,因此当ROI定位算法不准确时,目标的识别将很难完成。本文提出了一种基于目标特征的逐块二维Hadamard变换的特征提取和高斯混合模型分类器的局部特征轮廓识别方法。实验表明该方法对于复杂条件下的水面目标识别（如：部分超出视野范围以及比例变换等）具有很好的鲁棒性。     

基于多分辨率分析的舰船辐射噪声频域特征提取

为提高舰船目标识别率，采用小波多分辨率分析法对舰船辐射噪声进行多尺度调制谱和噪声谱特征提取及融合研究。并用提取的特征对三类舰船目标辐射噪声进行了分类识别实验，结果表明所提特征具有很好的分类识别效果。     

光学遥感影像舰船型号识别

为了利用光学遥感影像进行舰船目标型号的识别,介绍了一种基于SIFT(Scale Invariant Feature Transform)特征和Harris角点特征匹配的舰船型号识别方法.首先,利用SIFT算子提取舰船局部特征;为减少SIFT特征点误匹配,对舰船进行分区域(舰首、舰舯、舰尾)匹配.其次,提取描述舰船边缘的Harris角点特征,进行匹配.最后,根据2次匹配结果的重要性分别赋予相应的权重,进而判定舰船的型号.针对护卫舰的实验表明,该方法能够有效地对光学遥感影像的舰船型号进行识别.