基于视频图像的目标识别与跟踪算法

研究了基于视频图像的目标识别与跟踪算法。主要应用了Hog特征和支持向量机(SVM)分类器设计完成对目标的侦察识别。当侦察到目标时,采用高斯模型对目标和背景建模,结合卡尔曼滤波预测估计方法和均值漂移(mean-shift)理论,实现目标跟踪和定位功能。最后通过缩微环境中的案例演示,验证了所提算法的可行性。     

一种舰船目标一维距离像识别的新方法

提出了一种基于傅里叶-梅林变换和二叉树支持向量机相结合的舰船目标一维距离像识别方法。该方法充分利用了傅里叶-梅林变换具有的时移与尺度不变性和支持向量机在小样本分类中的优势,可以改善目标的特征稳定性,提高识别性能。针对多类舰船目标的识别,提出采用聚类分析中的均值距离来生成二叉树,将分类器分布在各个节点上,构成了多类支持向量机,减少了分类器数量和重复训练样本的数量。对4类舰船目标仿真实验的结果表明,该分类方法具有较高的识别性能、较快的识别速度。     

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。     

基于独立分量分析的ISAR图像特征提取方法

ISAR图像特征是利用ISAR图像进行目标识别的关键,根据目标区ISAR图像由强散射点组成这一特点,将独立分量分析的方法应用于目标ISAR图像的特征提取.所提取的ISAR图像的独立分量特征,反映了目标回波距离单元内散射点的位置分布,能够很好地表征一定角度范围内ISAR图像的特征.将目标ISAR图像投影到提取的独立分量特...     

两向二维NFA及其在SAR目标识别中的应用

通过对传统线性鉴别分析局限性的分析,提出一种基于两向二维非参数特征分析((2D)2NFA)的SAR图像目标识别方法,该方法有效克服了线性鉴别分析的固有缺陷并且运算量也大大降低。首先,定义一种图像矩阵的近邻样本选取方法,继而利用k近邻样本构造(2D)2NFA的类间散度矩阵和类内散度矩阵,然后使用(2D)2NFA提取样本的特征,最后在特征空间中使用简单的最近邻分类器进行待识别测试目标的分类识别。用美国运动和静止目标获取与识别(MSTAR)计划录取的SAR图像数据进行了仿真实验,实验结果表明(2D)2NFA增强了提取特征的可鉴别性,能够获得更高的识别率,而且减小了特征维数。     

基于元学习的反舰导弹目标识别研究

为了进一步提高干扰环境下反舰导弹的目标识别精度和泛化能力,将集成学习中的元学习策略引入反舰导弹的目标识别领域,并提出了一种基于叠加归纳策略的元学习目标识别算法。该算法首先通过构建元层学习器对多个基层学习器的学习结果进行"再学习",以纠正基学习器的错误分类、巩固基学习器的正确分类,进一步提高集成分类精度;然后,以决策树为基学习算法构建了同质多分类器系统,在自建的全极化一维距离像HRRP特征数据库上研究了基分类器的数量以及元特征样式、元学习算法的选取对元学习系统分类精度的影响;最后,通过与单一分类器和常用集成算法的对比,验证了基于元学习的反舰导弹目标识别算法的可行性和有效性。     

基于不变矩和神经网络的目标识别方法

针对寻的导引头成像制导中实时采集图像由于存在几何失真及像质模糊而导致目标识别精度差的问题,提出了一种基于不变矩和神经网络的目标识别方法.该方法采用一种改进的不变矩算法提取目标图像的不变矩特征量来训练BP神经网络,实现目标图像的识别和分类.仿真结果表明该不变矩特征库训练的神经网络分类器具有较高的识别精度,是一种比较实用的目标识别方法.     

支持向量机的战场直升机目标分类识别

对基于支持向量机的战场直升机目标分类识别技术进行了研究,分别将谐波集(HS)频率和不同尺度小波子空间能量作为特征矢量,设计出一种基于支持向量机的直升机目标分类器,并将该分类器与kNN分类器和BP神经网络分类器进行分类对比实验.结果表明两种特征提取方法,都能很好地体现不同声目标之间的差异,SVM分类器相对于其他两种分类器具有更好的分类性能,目标识别率达到96%以上.     

基于Floatboost算法的多视角目标识别

采用独立分量分析(ICA)方法对目标图像进行特征提取,提出了基于Floatboost算法与三叉决策树相结合的多视角目标识别级联分类器的设计方法,并融入角度优先粗分类的设计思想.经过与其他分类方法的试验比较表明,基于Floatboost算法的多视角分类器在一定程度上解决了目标旋转等问题,可满足某些实时系统的需求.     

大肠杆菌转录起始位点的计算定位方法

根据已有的启动子识别算法,提出了一种基于滑动窗口的大肠杆菌转录起始位点(TSS)计算定位方法,通过在启动子信号特征中引入复合模式来改进识别分类器,并将其用于滑动窗口序列,在合理限定的TSS定位范围内依次计算各个序列位置的TSS似然得分,再利用TSS与翻译起始位点(TLS)的距离分布信息作为TSS的位置得分,两者相结合来进行位置预测。对大肠杆菌真实数据的测试表明,算法可以大幅度减少假阳性结果,实现对真实TSS位置的有效预测。     

基于LBP-PCA的多传感器目标识别算法

为了更加有效地提高多传感器图像融合后的识别率,提出一种基于LBP-PCA的多传感器目标识别算法。首先分别对红外和可见光图像进行预处理用以突显出要识别的目标,采用LBP算法提取目标的特征点向量,利用PCA算法进行特征融合,得到降维后的融合特征,最后利用SVM(支持向量机)进行分类和识别。实验仿真结果表明多传感器目标经过LBP-PCA融合后在保持足够数量的有效信息基础上降低了特征的维数,有效地提高了目标识别率。     

基于CNN-PCA-DT算法的合成孔径雷达目标识别

合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别是SAR图像解译的重要环节,已广泛应用于国防和国民经济领域。在传统的卷积神经网络(Convolutional Neural Network,CNN)的基础上,提出了将CNN,主成分分析(Principle Component Analysis,PCA)和决策树(Decision Tree,DT)相结合的算法,记为CNN-PCA-DT:利用CNN提取出SAR图像的特征向量,再用PCA降维,最后用DT分类器取代CNN中的Softmax分类器实现SAR目标识别。实验结果表明,所提出的算法在MSTAR实测数据集上取得了较高的识别准确率,从而说明了实验的有效性。     

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。     

支持向量机的OTHR多频特征目标分类识别法

针对低信噪比下多频法在天波超视距雷达(Over-The-Horizon Radar,OTHR)目标分类识别中分类精度不高的缺点,充分利用雷达量测的一些先验信息,将基于支持向量机(Support Vector Machine,SVM)的多分类器引入多频法中,提出了一种基于SVM的OTHR多频特征目标分类识别方法。仿真结果表明,利用较少的3个频率点,在信噪比较低的条件下可获得较好的分类识别效果,说明了该方法在OTHR目标分类识别中的有效性和可行性。     

基于二叉树直觉模糊SVM的弹道目标HRRP识别

弹道目标识别是一个多目标识别过程,二叉树支持向量机(BTSVM)是一种针对多类分类有效的分类器。BTSVM结构简单,训练快,但容易出现误差积累。为提高目标识别率,引入并改进了直觉模糊支持向量机,设计了一种基于自适应隶属度函数和直觉指数的多类直觉模糊SVM分类器。对训练集进行直觉模糊化处理得到直觉模糊数据集,用于训练分类器得到二叉树直觉模糊SVM分类器。将此分类器应用于弹道目标HRRP识别,提高了识别的正确率和识别效率,仿真结果表明了此分类器的有效性。     

基于支持向量机的高空无人机侦察目标识别

针对高空无人侦察机遥感图像目标不明显、图像背景复杂等特点,提出了一种基于支持向量机的目标分类方法。将支持向量机应用于高空无人侦察机的遥感图像目标识别,并且对特征值的提取进行深入研究。实验结果表明,特征值输入的多分类器在识别性能上具有很高的识别率,对提高高空无人机的侦察能力具有重要意义。     

针对舰船目标高分辨距离像的特征选择方法

为了提高基于高分辨距离像(HRRP)的舰船目标识别率,首先通过目标区域提取来解决HRRP的幅度敏感性和平移敏感性的问题;然后根据传统的特征提取方法,提取出15个较好的特征进行多特征综合识别;最后在基于Fisher准则的特征选择方法上进行改进,提出了一种基于特征互补性的特征选择方法,选择一个最优特征子集。通过仿真实验验证了提出的特征选择方法,同时选择出一个最佳分类器。     

基于直线特征的图像－模型匹配算法

提出了一种新的基于直线特征的图像与模型匹配方法。该方法选择那些可以描述目标边界的直线建立模型。识别时 ,分层次地综合使用直线的多种特性 ,从而提高了效率 ,减少了误匹配的可能性。文中给出了用仿真图像和真实图像所做的实验结果。该算法可以用于目标识别、变化检测和视觉导航等多个领域     

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。     

基于分类器联合的反舰导弹HRRP目标识别与拒判研究

为了进一步提高存在库外目标情况下反舰导弹的目标识别率,利用高分辨距离像(HRRP)信息,构造了一个兼具拒判功能的反舰导弹目标自动识别系统。利用feko软件仿真建立了6类目标在不同方位角下HRRP数据库,并针对HRRP识别问题,提取7个基于目标结构的平移不变特征;选择二次判别分类器、7-最近邻分类器和决策树分类器作为基分类器,并利用LM-BP神经网络作为联合器构成多分类器系统;引入基于非参数估计的置信度评估方法,确保系统能够拒判置信度较低的待测样本。试验结果表明:LM-BP集成系统能够提高基分类器的分类性能,且在库外目标存在情况下,引入适当置信度判别阈值的多分类器系统能够兼顾识别正确率和宣判率。