基于Coherent Point Drift方法的SAR图像散射中心匹配

散射中心匹配是当前散射中心用于SAR图像目标识别的一个主要技术途径.散射中心匹配的难点在于散射中心特征存在的误差和缺失.Coherent Point Drift (CPD)方法从概率密度估计的角度解决点模式匹配问题,能够较好地考虑散射中心的误差和缺失.本文将CPD方法用于散射中心匹配,并在此基础上引入车辆目标SAR图像方位角估计先验信息和散射中心属性信息,以提高散射中心匹配的准确性和稳健性.MSTAR数据实验说明了该方法的有效性.     

基于联合相似测度的SAR图像边缘点特征配准方法

针对SAR图像配准过程中几何变换影响特征匹配稳健性和适应性的问题,提出了一种在特征匹配过程中直接解算几何变换模型的边缘点特征配准方法。利用SAR图像边缘点的梯度和方向特征,基于像素迁移思想,定义了图像匹配的联合相似度——联合特征均方和(SSJF),并建立了SAR图像边缘点集相似性匹配准则;基于方向模板提出了改进的ROEWA算子;利用改进的遗传算法(GA)来进行相似度的全局优化搜索,获取配准模型参数;利用多幅SAR图像的配准试验,对本文方法的性能进行了验证。     

基于SAR图像的目标散射中心特征提取方法研究

针对SARATR需要,基于属性散射中心模型,研究了从SAR图像提取目标散射中心特征的方法。该方法首先从SAR图像分割出包括单个散射中心响应的目标区域,然后判断该区域对应的散射中心的类型,最后再采用相应的参数模型进行参数初值选择和数字优化,从而得到对应该区域的目标散射中心特征。通过循环执行上面的步骤,就可以从SAR图像提取出目标所有散射中心特征。仿真结果表明,该算法具有良好的估计性能。     

图像纹理模板匹配算法的改进与实现

为了提高图像匹配算法的实时性和复杂场景跟踪的稳定性,改进一种基于图像纹理的模板匹配算法(TTM).在模板与目标图像中分别提取水平、垂直方向上的二值化纹理特征矩阵,然后根据字节同或逻辑运算分别计算两个方向上的最佳匹配值,最后,通过加权求和得到最终的目标相关置信度.其中逻辑运算可以并行处理,所以计算量将大大减少,因此具有很强的实时性.又因为跟踪过程中,目标图像必然存在突发性的变化,对模板合理地进行更新是目标跟踪的关键,在上述的图像相似度度量方法的基础上,另外又提出了一种非常有效的模板修正方案,从而使得跟踪算法对环境的适应能力和稳定性得到大大提高.实验结果证明了该方法的优越性.     

自适应模板匹配在坦克火炮稳定精度测试中的应用

在坦克火炮稳定精度测试中采用了模板匹配,给出了测试系统的工作原理,对基于归一化相关度量的模板匹配进行了分析,针对目标可能发生的变化对匹配结果产生的影响,提出了自适应模板匹配的算法,并详细阐述了初始模板确定、目标运动估计和模板更新的方法.最后,用实验的方法证明了自适应模板匹配在坦克火炮稳定精度测试中的优势.     

城市战场目标分群的组合聚类方法

为了消除或减少城市作战中灰色情报信息对态势评估中目标分群的影响,提出一种基于Chameleon算法的组合聚类方法.根据目标属性间的区间灰数关联度和目标间的距离系数得到相似度矩阵,利用Chameleon算法对目标进行初始分群,然后,对分群中各目标的属性历史数据和分群中心的属性历史数据分别进行区间灰数向量关联分析,实现了目标分群的动态维护.通过算例验证了方法的有效性.     

基于多尺度稀疏字典的SAR图像目标识别方法

针对合成孔径雷达目标识别问题,提出一种基于多尺度稀疏字典的SAR图像目标识别方法。稀疏字典选择是稀疏表示中的关键问题之一,该方法利用小波多尺度分析构造过完备稀疏字典,将训练样本图像在小波解析域中进行小波多层分解,充分利用小波多尺度分析突出图像局部特征的特点,并和过完备稀疏表示有效结合组成级联字典。通过求解测试样本相应的稀疏系数矢量并根据系数矢量中对应训练样本类别的重构误差判定目标类型。实验结果表明,该方法在识别前无需对SAR图像进行预处理,具有良好的识别效果。     

雷达目标高分辨距离像的特征提取及识别方法

本文首先应用ＴＬＳ－ＥＳＰＲＩＴ算法提取光学区高分辨雷达目标散射中心位置信息,并提出了“基于散射中心位置的相关匹配”目标识别算法,而后,证明了该算法相关匹配系数与所选择的基底无关以及算法的稳定性问题。最后,给出了五种飞机缩比模型的实验结果。     

基于Viterbi算法和ROMP的多弹道目标分离与特征提取

为实现对中段飞行中多弹道目标进行分类和特征提取,首先利用重排Gabor分布与Viterbi算法相结合的方法,获取目标散射点的时频曲线,对目标信号时频曲线拟合后进行频谱分析,完成目标运动类型分类。根据目标微动类型确定对应散射点的回波信号形式并构造相应的匹配原子库,设定待估计参数,利用ROMP方法对参数进行提取。仿真实验表明,该方法有效实现散射点分离并判断出目标的微动类型,同时验证了该方法对目标参数的提取精度。     

基于混合属性无监督聚类的作战目标分群

作战体系中目标分群在信息化战争中具有重要意义,能有效提升战场态势分析的输出,提高指挥人员的决策效率和质量.利用复杂网络基本特征量对网络进行定量描述,针对作战目标个体属性数据的多源性和异质性,分数值型属性和分类属性构建了有效的数据预处理算法,设计出融合作战目标的个体属性以及网络邻接关系的相似度模型和基于K-prototype的作战目标分群算法.实验结果表明基于复杂网络模块度的K-prototype算法结果优于现有的HSAPOTDG和GAPOTDG算法.