基于SOFM神经网络的SAR图像目标识别

在SAR图像的识别中,传统的识别方法必须提前知道所有目标的类别,不能对任意的目标进行识别。通过分析SAR图像的特点,选取了一组由Hu不变矩和由三角函数生成法导出的5个新的不变矩组成的特征向量。利用自组织特征映射(SOFM)神经网络对目标进行了聚类分析。实验表明,选取的特征向量能够较准确地描述目标,且SOFM神经网络能够自适应,自组织地对目标进行聚类。同时,用测试图像对训练好的网络进行了测试,得到了较为理想的识别效果。     

神经网络在精确打击目标识别中的应用研究

目标识别正确与否直接影响到防空火力的部署、分配及有效打击.利用BP神经网络识别精确打击目标并进行了仿真实验.建立了样本库,提取图像的不变矩作为神经网络的输入量,分别采用基本梯度下降算法、有动量和自适应学习速率梯度下降算法和Levenberg-Marguardt优化算法训练BP网络.仿真结果表明,不变矩理论很好地解决了3维物体的2维图像在旋转、平移、缩放时能否成功提取图像特征的问题,而采用LM优化算法的BP神经网络训练速度快,识别准确率高.     

多特征的UAV快速目标识别算法仿真

针对UAV(Unmanned Aerial Vehicle)侦察图像快速目标识别问题,重点展开基于多特征的UAV快速目标识别算法的仿真研究。算法结合图像的不变矩特征和SIFT特征,首先用不变矩特征构造适应度函数并利用遗传算法的全局搜索能力,在侦察图像中进行搜索,快速提取出可能包含目标的感兴趣区域(ROI,Region of Interest);然后采用尺度不变特征变换算法(SIFT,Scale Invariant Feature Transform)在ROI区域中进行匹配识别,从而确定目标的精确位置。仿真结果表明:算法具有较强的鲁棒性,能有效地识别飞机目标并显著减少识别时间,为UAV系统提供了一种近实时的目标识别方法。     

基于不变矩和角点特征的目标识别*

在基于图像的识别系统中,图像发生几何变化或目标被部分遮挡会给识别带来困难,这时必须根据具体情况提取合适的目标特征。基于矩原理,运用Harris多尺度角点检测及SIFT(Scale Invariant Feature Transform)描述算法,研究了基于不变矩和角点特征的目标识别算法。两种特征都具有平移、旋转、尺度不变性。仿真分析表明,在理想情况下,利用不变矩可以获得较高的识别率;而当目标被部分遮挡时,角点是一种有效的识别方法     

基于时频分布的弹道导弹目标识别方法

在弹道导弹目标识别中,微动特征是重要的识别手段。从弹道导弹微动特性时频分析出发,提出一种基于时频分布的弹道导弹目标识别方法。该方法将时频分布图的伪Zeinike不变矩特征作为识别特征。首先对回波信号进行时频变换以获取时频图像;然后为了降低噪声的影响,对其进行图形预处理;最后给出了伪Zernike不变矩提取步骤及识别特征的选取原则。通过仿真实验,分析了不同特征组合对识别率的影响,评估了不同信噪比下识别方法的稳定性。实验结果表明,该方法具有一定稳定性,可用于弹道导弹目标识别。     

一种灰度图象中的小目标识别方法

介绍了一种基于目标灰度门限和目标之间灰度距离门限的区域自动阈值检测法,用该方法检测提取出灰度图像中包含目标的小区域。然后利用传统的门限自动选择方法找到合适的门限,利用该门限值对所获目标区域进行二值化以得到目标,然后采用改进不变矩方法提取目标特征并采用优化BP神经网络进行识别。该方法经实验验证,效果较好。     

不变矩理论及其在目标识别中的应用

几何形状的识别在计算机视觉中具有十分重要的意义,一般几何形状可以分为区域和边界两种。不变矩特征在图像平移、伸缩、旋转时均保持不变。介绍了利用图像的不变矩向量进行目标形状识别的方法,并比较了Hu提出的基于区域的不变矩和Chen提出的基于边界的不变矩的性能和计算速度。     

基于BP神经网络的空中目标识别方法

提出了一种利用BP神经网络用于空中战机目标识别的方法.首先,分别用300张不同姿态的F-16和F-22战斗机图片建立样本图库.其次,利用不变矩理论,提取图片的不变矩作为神经网络的输入量,分别采用基本梯度下降算法、有动量和自适应学习速率梯度下降算法和Levenberg-Marguardt优化算法训练BP网络.然后从样本图库中随机抽取两种型号飞机图片各30张作为空中打击目标进行识别,结果表明采用LM优化算法的BP网络具有一定的抗噪声能力.     

一种基于模糊理论和神经网络的水雷状态识别方法

介绍了一种基于模糊集合和神经网络的水雷状态识别方法 .该方法根据实际情况 ,将模糊集合和径向基函数神经网络结合起来 ,用于水雷状态的识别 .仿真结果表明 ,这种识别方法性能稳定 ,且有很高的识别精度 .     

数字图像复数不变矩构造及稳定性分析

为系统性地给出数字图像不变矩一般性构造方法及对不变矩稳定性进行分析,通过采用复数矩作为描述数字图像识别特征量的方法,研究了复数不变矩所具有不变性的约束条件及其与几何不变矩间的关系,推导出了复数不变矩构造定理,并以在工程应用中的低阶复数不变矩为例对复数不变矩的稳定性进行了分析。研究结果表明:采用复数不变矩构造数字图像特征量具有很好普适性和稳定性,对于图像目标识别特征的描述有较好的效果。     

仿射不变轮廓矩及其稳定性分析

针对区域矩需要计算全图像素的统计分布、计算量大的问题,构造了基于目标形状的仿射不变轮廓矩。首先采用PDE方法推导得到了6个仿射不变矩的数学模型,然后将积分区间变为目标区域的边界,计算得到基于目标形状的仿射不变轮廓矩,最后通过三类舰船不同姿态下的图像进行了实验验证并对其稳定性进行了分析。研究结果表明:仿射不变轮廓矩具有较好的稳健性及区分度,可将其作为不变特征用于舰船目标识别。     

物体识别不变性方法比较分析(Ⅲ)——神经网络方法

文献[1]和[2]中分别讨论了物体识别不变性方法——统计方法和解析方法。本文将讨论另一种方法——神经网络方法。     

一种基于VPRSM的辐射源模糊识别方法

为解决辐射源识别的问题,研究利用变精度粗糙集模型来确定辐射源识别特征权值的方法。由概念的正域中对象类的条件属性的描述,得到该概念的充分条件,并依据知识间的依赖性作为所要考虑的因素来获取特征权值,同时结合模糊集理论,提出一种基于变精度粗集特征加权的辐射源模糊识别方法。最后将此识别方法模型应用于雷达辐射源用途识别,仿真实验及其结果验证了该方法的可行性和有效性。     

高炮随动系统性能测量算法

针对火炮调炮精度检测中存在的不足, 提出了一种基于双目立体视觉的三重交会测量方法,在炮身管上附加球状标志物,利用CCD摄像机获取标志物图像,通过标志物成像的几何投影关系计算球心的三维坐标.为了降低图像识别误差的影响,对投影的识别位置进行拓展和细化,并对球心投影边界进行插值,摄像机光心与插值点连线射线形成了一个锥体,两摄像机的锥体分别与炮台球面相交形成曲面,计算两曲面公共部分的形心,即为球心位置.通过确定球心位置,对炮身管的高低角、方位角进行计算,从而检测火炮调炮的性能.实验证明,该算法简单、快速,具有较高的精度.     

校准方法和存内训练相结合的忆阻器神经形态计算方法

基于忆阻器的神经形态计算架构在图像分类、语音识别等领域取得了较好的效果,但当忆阻器阵列存在低良率问题时,其性能会出现明显下降。提出一种基于忆阻器神经形态计算的校准方法和原位训练相结合的算法,利用校准方法提高乘累加计算的准确率,并利用原位训练方法降低训练误差。为了验证所提方法的性能,采用多层感知器架构进行仿真。从仿真结果来看,神经网络的精度有明显的提高(近40%)。实验结果表明,与单纯的校准方法相比,采用所提方法训练的网络精度提高了约30%,与其他主流的方法相比,所提方法训练的网络精度提高了0.29%。     

Zernike矩的不变性分析及其改进

Zernike矩作为一种基于区域的形状描述子,具有良好的旋转不变性,能够很好地提取图像内部的形状信息。介绍了Zernike矩的定义,对其不变性进行了深入分析,并对Zernike矩算法进行了改进,使其在具有良好的旋转不变性的基础上,也具有较好的平移不变性和比例不变性。结果表明,改进后的Zernike矩具有更好的不变性,可更好地应用于图像识别中。     

物体识别不变性方法比较分析(Ⅰ)——统计方法

在计算机视觉与模式识别中,如何从不同的角度来识别同一物体而与该物体的位置、放置方向无关,是一个关键的课题,至今仍无很好的解决方法。本文中,我们总结了现有的方法,并将它们分为统计方法、解析方法和神经网络方法3类,并对这些方法的两个主要性能指标,即噪声敏感性和变形敏感性进行了模拟分析,模拟工作是在Masscom高速微巨机上完成的。最后,我们提出了一种新的方法。     

基于pLSA模型的人体动作识别

提出一种基于主题模型的人体动作识别方法。该方法首先提取时空兴趣点(STIP,space-time interest point)来描述人体运动,然后提出使用慢特征分析(SFA, slow feature analysis)算法计算兴趣点梯度信息不变量最优解,最后使用概率潜在语义分析 (pLSA, probabilistic Latent Semantic Analysis) 模型识别人体动作。SFA计算的梯度不变量最优解可以表示时空兴趣点固有特征,能够无歧义反映时空兴趣点在空间及时间方向上的信息。同时,针对pLSA隐性主题正确性无法保证的缺点,算法将主题与动作标签“一对一”相关,通过监督方式得到主题,保证了训练中主题的正确性。该算法在KTH人体运动数据库和Weizmann人体动作数据库进行了训练与测试,动作识别结果正确率分别在91.50%和97%以上。