基于改进YOLOv3的装甲车辆检测方法

为了准确检测出装甲车辆目标,提出了一种基于改进YOLOv3的装甲车辆检测方法.收集不同目标类型、尺度、遮挡等条件下的装甲车辆图像并对其进行标注,得到装甲车辆目标检测数据集;利用k-means++算法计算出适用于数据集的锚框;在YOLOv3的特征提取网络中集成空间金字塔池化模块来丰富卷积特征的表达能力;通过卷积特征聚合机...     

基于改进Faster R-CNN的舰船目标三维识别算法

针对二维图像无法深度表征目标、远海舰船目标表征困难等问题,提出基于更快卷积神经网络和区域组合识别模型相结合的三维舰船目标识别框架。重建舰船三维模型,在原始的区域生成网络上利用级联的方法改进了生成滑动窗口的方法,同时提出实际标注与区域建议联合识别模型,采用非极大值抑制的方法对容错框进行去除。实验结果表明所改进的算法在舰船目标三维识别的精确率和召回率上均有较大优势。     

改进的YOLOv3算法对伪装目标检测

针对现有算法对伪装目标检测效率较低的问题,提出了一种基于改进YOLOv3网络的伪装目标检测算法。该算法在现有数据集下,对算法的先验框进行重聚类;依据Darknet53多次利用残差块的特点,将残差网络的级联方式由单级跳连改为多级跳连,改善误差在网络中的回传效果;在网络中添加了注意力模块,增加有用特征的检测权重。实验结果表明,与原始算法相比,改进后的算法模型具有较低的损失值且平均精度均值提高了约4.35%。     

基于显著性检测与特征匹配的目标识别方法

为加强目标识别的可靠性,提出了一种基于显著性检测与特征匹配的目标识别方法。提出了改进的显著性检测方法提取显著性目标,利用改进的特征检测子与快速视网膜特征描述子(Fast Retina Keypoint,FREAK)对目标与模板库进行并行匹配,最后根据平均匹配率完成目标识别。实验结果表明,改进的显著性检测方法较传统方法具有更高的检测精度和目标完整性,改进的特征检测子较传统方法具有更强的鲁棒性与实时性,基于显著性检测与特征匹配的目标识别方法能够实现可靠性较强的目标实时识别。     

联合多层次深度特征的SAR图像目标识别方法

提出了联合多层次深度特征的合成孔径雷达(SAR)目标识别方法。采用卷积神经网络(CNN)学习SAR图像的多层次深度特征。多层次的深度特征从不同方面描述原始SAR图像中的目标特性,从而为目标识别提供更充分的决策依据。为了充分发掘不同层次深度特征的独立特性以及它们之间的内在关联,采用联合稀疏表示对多层次的深度特征进行联合分类。根据各层次特征的整体重构误差判定目标类别。采用MSTAR (Moving and Stationary Target Acquisition and Recognition)公共数据集对提出方法进行了性能测试。实验结果表明,该方法的识别性能显著优于现有的SAR目标识别方法。     

改进的YOLOV3算法在小目标检测中的研究与应用

战场目标的图像检测与识别对于战场监视、侦察、毁伤状态评估和火控系统研究等具有重要作用。以坦克装甲目标为研究对象,选用识别精度高、速度快的YOLOV3为基础目标检测模型,针对复杂战场环境中获取图像目标特征信息少的问题,引入多尺度特征增强结构的方法对YOLOV3模型进行改进,通过丰富特征图多样性的方式,提高模型性能。在坦克数据集上的实验结果表明,改进后的算法对于复杂战场环境下的小目标特征具有更强的敏感性,较大程度上增强了模型的识别精度。     

基于改进YOLOv5s的无人机目标检测算法

针对无人机航拍图像背景复杂、小目标密集、尺度变化大等问题,本文提出了一种基于改进YOLOv5s的目标检测算法。首先,采用ShuffleNetV2重构骨干网络,在降低计算复杂度的同时提升检测速度,实现模型轻量化;然后,引入ASPP模块增强多尺度特征提取能力,减少小目标特征丢失,提高检测精度,并在ShuffleNetV2和YOLOv5s特征融合网络中引入CA注意力机制,以强化关键特征的提取与表达;最后,将SIoU损失函数替代原CIoU,以更好地适应多尺度目标,提高边界框回归精度。在VisDrone2019数据集上进行的实验结果表明：改进模型检测的均值平均精度P_mA@0.5和P_mA@0.5∶0.95分别达到38.9%和21.5%,较原模型提升了5.0%和3.1%,参数量减少至54%,证明该算法在保证模型轻量化的前提下,有效提升了复杂场景下的目标检测性能,具有较高的应用价值。     

基于多特征联合稀疏表示的SAR舰船目标识别方法

针对合成孔径雷达(Synthetic aperture radar,SAR)图像舰船目标识别问题,提出一种基于多特征联合稀疏表示的方法。分别采用几何尺寸特征矢量、主成分分析(Principal component analysis,PCA)和核主成分分析(Kernel PCA,KPCA)特征矢量描述SAR舰船目标的特性,基于以上特征,采用联合稀疏表示进行分类。根据散射特征的重构误差之和对测试样本的目标类别进行决策。实验中,采用RADARSAT-2 4类典型舰船目标的SAR图像进行性能测试。结果表明,此方法在标准操作条件下可以取得92.5%的平均识别率,高于现有的几类对比方法。另外,此方法在噪声干扰以及少量训练样本的条件下也能保持更强的稳健性,获得优于现有方法的性能。     

融合轻量级YOLOv4与KCF算法的红外舰船目标识别

红外舰船目标识别在反舰导弹成像制导过程中起到十分关键的作用.针对如何在复杂环境下准确识别出红外舰船目标,提出了一种融合轻量级YOLOv4与KCF算法的红外舰船目标识别方法.识别过程中并行运行YOLOv4目标检测线程与KCF多目标跟踪线程,比较两者所得目标框的置信度,选取置信度高的作为最终的目标识别结果.设计对比试验将本...     

针对军事集群目标的YOLOv3改进算法研究

YOLOv3目标检测模型对于巡飞弹作战中的军事集群目标存在可能漏检紧邻目标的问题。改进算法以YOLOv3为基础,对其候选框选择算法采用的非极大值抑制(NMS)引入惩罚函数,实现soft-NMS,从而减少紧邻目标识别边框被误删的概率。同时针对军事目标数据稀缺的情况,对数据的预处理采用k-fold交叉验证策略,抑制过拟合现象,充分训练模型。实验结果表明,改进算法后对集群目标的检测效果要好于原YOLOv3,其准确率提高了3.14%,召回率提高了17.58%,符合巡飞弹作战中对目标检测精度指标的要求。     

基于极化分解的目标识别方法研究

在全极化、高距离分辨力雷达体制背景下,研究了光学区雷达目标极化特性。利用极化分解将复杂目标分解为三个简单目标, 并提取描述三目标关系的特征参数对四类军用飞机目标进行了识别实验研究, 获得了良好的目标分类识别效果。     

一种基于调制谱的空中目标识别方法

雷达目标的微多普勒特征在雷达目标探测与识别中受到越来越多的关注,正在成为目标探测与识别领域的新兴研究方向。介绍了一种基于调制谱的空中目标识别方法,根据空中目标回波、综合时域的幅度信息、时域的相位信息和频域的微多普勒信息,将空中目标分为直升机类目标、螺旋桨类飞机目标和涡扇类飞机目标,利用实测数据对结论进行验证,表明该方法可以用来对这些目标进行分类。     

基于自适应阈值的FAST特征点提取算法

FAST特征提取算法阈值选取固定,因此不能满足不同图像的特征点抽取要求,并且提取的结果存在着多个特征点块的现象。针对这些缺陷,首先采用动态全局阈值对原始灰度图像进行初步提取得到候选特征点,然后采取动态局部阈值和非极大值抑制法进一步对候选特征点进行筛选,从而达到自适应选取阈值和抑制多个特征点块的目的。实验表明,改进后的算法稳定性高,对不同光照和对比度情况下有一定的适应能力,并且运算量相对比于其他一些特征提取算法要小得多,满足实时应用的要求。     

基于YOLOv8的红外遥感图像小目标检测算法

针对红外遥感图像中因特征信息不足而加剧的小目标检测难题,提出了一种基于YOLOv8架构的改进检测算法。通过将原始骨干网络替换为轻量化的MobileNetV4,并重构颈部与检测头网络结构,显著提升了模型的特征提取与融合能力,使其更适应小目标检测任务。同时,在网络中引入注意力机制以增强关键特征的提取能力。为降低标注偏差对模型训练的影响,训练过程选用WiseIoU作为损失函数。在数据预处理阶段,应用对比度受限的自适应直方图均衡化技术改善图像质量。在VEDAI数据集上的实验结果表明,所提方法较原始YOLOv8在mAP@0.5和mAP@0.5:0.95指标上分别实现了17.7%和13.7%的性能提升,且在保持较低参数量和计算量的前提下,检测精度优于其他主流模型。     

基于运动信息的空中目标模糊识别方法

为解决空中机动目标识别方法复杂且识别率不高的问题,提出了一种基于运动信息的空中目标模糊识别方法。选取了机动性较小的无控类弹以及机动性较大的制导炸弹等作为研究对象。首先,对无控类弹(榴弹、火箭弹、迫击炮弹)、制导炸弹、巡航导弹及无人机的运动特征进行分析,仿真得出目标的运动轨迹。然后,提取目标的速度、高度、加速度、俯仰角及其变化率等特征,建立基于模糊集合的目标识别算法,根据择近原则进行判定,最后,得到仿真结果。实验结果表明,所提方法应对不同目标识别效果较好,且响应速度较快,为今后作战指挥及理论研究提供支持。     

视觉与激光雷达信息融合的目标领航车识别方法

为提高军用地面无人平台自主跟随过程中对目标领航车辆检测识别的准确性和实时性,提出了一种基于激光雷达和视觉摄像机信息融合的目标领航车检测识别方法。在识别系统工作前,需对激光雷达和摄像机两种传感器进行标定,确定激光雷达坐标、摄像机坐标、车体坐标三者之间的相互关系。车辆识别过程中,首先对激光雷达数据进行最近邻域法聚类分析,根据聚类的结果对周围目标进行初步筛选生成假设目标;根据激光雷达数据和摄像机图像之间的转换关系,确定假设目标在图像中的感兴趣区域,可以有效减少图像处理的计算量;最后,利用多特征级联分类识别方法验证假设目标是否为目标领航车辆。实验结果表明该算法具有较好的环境适用性,弥补了单目视觉传感器在目标领航车辆检测识别过程中无法检测到深度信息,以及激光雷达不能准确判断出目标为何物的不足。     

复杂场景下的猫眼目标快速识别方法

为了提高复杂场景中猫眼目标识别的准确率与算法实时性,结合传统图像处理方法与深度学习中的孪生网络相似度检测原理,通过对采集的主被动图像进行预处理,利用显著性检测进行猫眼目标增强,阈值分割提取疑似目标区域,采用综合形状度量以及孪生网络对候选目标区域进行联合识别提取真实猫眼目标。实验结果表明,该方法的准确率达到98.03%,虚警率为3.07%,检测速度快,可用于实时性检测。     

基于非合作雷达辐射源的无源雷达目标检测方法

主要研究了基于非合作雷达辐射源的非相参体制无源雷达目标检测问题。对目标回波通道中的直达波干扰,利用一种基于三元传感器对消的方法来进行抑制。然后采用周期间相关检测的处理方法对目标进行检测。仿真分析表明,该方法在辐射源信号未知的情况下,能够有效抑制目标回波通道中的直达波干扰,得到优于传统的确知信号的相关检测性能。