图像制导中的SIFT快速算法

图像制导中,导弹根据预存的地形图自动捕捉攻击目标.通过图像匹配识别目标,尺度不变特征变换(the scale invariant feature transform,SIFT)算法具有优异的性能,但计算量较大.根据地形图像的特点提出了一种SIFT改进算法Zoser SIFT,Zoser SIFT直接对图像进行逐级递减采样,形成阶梯(Zoser)金字塔图层,由24邻域极值点形成特征点.新算法不进行高斯变换,具有图层少、特征点数量适中等优点,大幅度减少了计算量.同时新算法占用内存空间少,浮点运算少,适合在实时DSP系统中应用.新算法虽然抗噪声能力有所下降,但对光照改变、尺度变化、变形和遮挡等仍有很好的鲁棒性,在航拍地形图上进行识别时性能稳定.     

基于多分类器融合的SAR图像自动目标识别方法

给出一种内存需求小、计算复杂度低且性能较好的合成孔径雷达自动目标识别(SAR ATR)方法。先对原始图像预处理获得目标及阴影,然后提取目标和阴影的形状描述子以及基于极化映射提取目标及阴影的形状特征、目标的强度分布特征,最后基于平均准则融合分类器对目标进行分类。基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,所提融合的分类器可获得比单个分类器好的识别性能,并且利用阴影信息可大大提高识别性能。     

基于小波变换和神经网络的舰船目标识别和分类

根据舰船轴频电场信号的特点,提出了基于小波变换和神经网络的目标识别和分类方法.利用小波变换计算轴频电场信号的功率谱,提取特征量,根据轴频电场平均累积功率谱对舰船目标和海洋环境进行识别.根据轴频电场信号的功率谱分析,对不同类型舰船目标进行识别.运用BP神经网络,对不同类型舰船目标和海洋环境进行分类.通过对海上试验采集轴频电场数据的仿真计算,证实了该识别和分类方法的有效性.     

基于距离像时频非负稀疏编码的SAR目标识别

提出了一种基于目标高分辨距离像时频域非负稀疏编码的合成孔径雷达(synthetic aperture radar,SAR)目标识别方法。首先,将目标的SAR复图像转换为高分辨距离像。然后,采用自适应高斯基表示方法计算每个距离像的非负时频矩阵。其次,对训练目标所有距离像的时频矩阵采用非负稀疏编码方法学习时频字典。在目标识别中,通过将每个距离像的时频矩阵投影到低维的时频字典上来提取特征矢量。最后,在提取特征矢量的基础上,通过支撑向量机目标识别决策实现目标识别。采用美国“运动和静止目标获取与识别计划”公开发布的SAR图像数据库进行算法验证实验。实验结果说明了提出方法的有效性。     

一种基于复杂地物背景图像的目标识别方法

为解决复杂地物背景目标识别问题,提出一种基于复杂自然场景图像的目标识别方法。首先,进行多视点多尺度目标动态特征描述和目标轮廓特性视图制备;然后,采用灰度级顶帽形态学重构运算对输入图像进行处理,对处理后的图像进行分割,获得感兴趣区;最后,通过感兴趣区轮廓提取和基于Hausdorff距离匹配识别目标。实验结果表明,提出的方法能有效地从复杂自然场景中识别出目标。     

基于形状描述直方图的声呐图像目标识别算法

针对水下声呐图像目标检测与识别问题,在图像规格化条件下,定义了几种不同的形状描述子,并统计计算描述子直方图,定义了几种不同的直方图匹配测度函数用以计算直方图间的相似性。分析了算法中关键参数的选取问题。仿真结果表明,基于该算法的识别率可达到98%以上,具有较强的不变性和鲁棒性。通过进一步信息融合算法可快速准确地实现水下声呐图像目标识别,具有较强的应用价值。     

基于视觉的多用户手势识别人机交互技术研究

提出了一种基于视觉手势识别的多用户输入技术,利用双手手指在显示屏幕上进行点击和拖拉完成人机交互功能.该方法使用三个摄像机从不同角度实时拍摄显示屏幕表面的图像,运用图像处理技术分析识别手势在图像中的位置,根据三副图像中的手势位置和摄像机参数计算双手手势输入的实际位置.通过手势识别训练和冗余数据平均计算等方法提高了系统的识别率和鲁棒性.实验表明,该系统具有较强的可用性和适用性.     

基于幂次变换的SAR图像Otsu分割法

通过分析合成孔径雷达(synthetic aperture radar, SAR)目标切片图像的散射特性,提出一种适用于SAR目标识别的目标切片图像分割算法。算法首先对SAR图像做相干斑滤波,通过邻域平滑处理,提高背景区域和目标区域像素幅值一致性。然后自适应地选取变换幂次,对滤波后的SAR图像做幂次变换,以进一步增强目标区域像素幅值一致性。最后直接利用一维Otsu法对变换后的图像进行分割处理。实验表明,该算法对不同散射特性的目标切片图像都能够实现较为准确的分割,且计算复杂度小,利于工程应用。     

面向SAR图像目标识别的鲁棒处理算法

现有合成孔径雷达图像的目标识别方法通常要进行预处理,预处理对于识别率影响较大。但是,针对不同的合成孔径雷达目标图像,预处理算法的自适应性很难得到保证。将基于核的主成分分析与稀疏表示相结合,只需很少的观测数据就能得到高识别率的目标识别结果,节省了数据存储量和计算量。首先,阐述了压缩感知的基本理论;其次,提出了基于核主成分分析和稀疏表示的合成孔径雷达图像目标识别算法;最后,选取MSTAR数据库中的5类目标进行实验。仿真结果表明,在没有方位角预测的情况下,该算法仍能有效地识别目标,与其他识别算法相比,在同等噪声污染的图像下,具有较高的识别率。     

基于SOM和SVM的遥感图像目标识别

提出了一种基于自组织特征映射 (SOM)神经网络和支撑矢量机 (SVM)相结合的遥感图像目标识别方法。该方法首先利用SOM对目标进行聚类 ,然后应用SVM方法对其进行分类识别。最后将该方法应用于二值遥感图像的目标识别 ,与仅用支撑矢量机方法的识别结果进行了比较 ,结果表明 ,这一方法对二值遥感图像目标具有很好的分类识别效果 ,且训练时间大幅度缩短。