基于多特征融合的炮弹目标识别方法

针对现有的炮弹目标识别方法由于分类特征较单一以及分类器结构过于简单,导致雷达对炮弹目标识别率较低的问题,提出一种基于多特征融合的炮弹目标识别方法。通过提取炮弹目标的微多普勒特征,并将运动特征与微多普勒特征融合的结果作为目标识别的分类特征,构建支持向量机多分类器,实现炮弹目标识别,仿真结果验证了其有效性。     

基于特征融合的目标动态身份识别方法

人脸特征判别受摄像头安装位置与角度、目标活动以及光线变化等因素影响,识别准确度急剧下降,因此提出了一种基于人脸和行人特征融合的目标动态身份识别方法。使用特征融合方法,将人脸特征和行人特征首尾拼接得到一个融合特征,从而获得丰富的目标身份信息;使用匹配决策机制,通过求和对多个融合特征的匹配结果取最大值,输出概率最高的目标身份,从而降低误判单个特征目标身份的概率。在真实场景的监控图像中,该设计方法的识别准确度平均为87.7%,较人脸识别提高了40.0%。实验表明,人脸特征判别性不足时,补充行人特征可有效增强目标身份信息,且多个融合特征匹配结果综合决策可进一步提高识别准确度。     

基于模板匹配和特征点匹配相结合的快速车牌识别方法

介绍了一种简单易行的车牌识别方法。对于车牌灰度图像进行滤波去噪后先用峰谷法二值化，再用垂直投影法进行分割，最后进行模板匹配，并用特征点匹配对几组易出错的字符进行检查，从而得到车牌号。     

基于多域多维特征融合的海面小目标检测

多维特征检测技术是提高海面小目标检测的有效途径。为了进一步提升海面小目标检测性能,本文提出基于多域多维特征融合的检测方法。首先,从时域、频域、时频域、极化域等多域,充分挖掘海杂波和含目标回波的差异性,并将这些差异性表征为多维特征,构建高维特征空间。其次,通过极化域和特征域的多维特征线性融合,将多维特征压缩到3D特征空间中,获得高维度信息的同时减少维度计算代价。然后,结合凸包学习算法获得3D判决区域,实现异常检测。最后,基于IPIX实测数据的实验结果表明:相对现有的极化检测器,提出的检测器具有25%以上的显著性能提升。      

基于区域矩的舰船图像目标特征融合方法研究

为了增强特征对图像目标的描述能力,一类重要的方法是将不同类型的特征融合。面向舰船图像目标识别,研究了基于区域矩的特征融合方法。区域矩不是计算原始图像像素的矩,而是计算图像特征的矩,具体是首先设计合适的目标特征,然后利用中心矩、Hu氏不变矩和径向矩实现特征融合,并基于KNN分类实现目标识别。仿真实验表明,与区域协方差相比,区域矩可以更好地融合舰船可见光图像或红外图像的目标特征,而且没有随机初始化问题,所以实用性和有效性更高。     

一种基于目标红外特征的目标分类识别方法

基于目标的红外选择性,提出了目标的９个特征量,并以它们为分量组成目标的特征向量,以此来进行目标的分类识别。由于特征量单位不统一,提出了一种近邻分类法。文中用３类飞机的红外图像进行实验。实验表明,用这种方法把提出的红外特征量用于目标的分类识别效果很好。     

基于多特征融合的弱小运动目标识别

利用单个特征识别强噪声中的弱小运动目标,常因所提取的目标特征与噪声特征易混淆而导致高的虚警率.提出一种新的基于多特征融合的弱小运动目标识别方法.分析了弱小运动目标的连续相关性、面积及质心位置偏移这三个特征的可靠性及提取方法,对获取的特征值进行归一化后采用多特征融合的方法构造更具有鲁棒性的联合特征,确定了以具有最大多特征融合值为真实目标的决策方法.通过与采用单一特征的目标识别方法进行比较,证明了提出的多特征融合方法能更准确地识别弱小运动目标.     

基于极化度分布特征的目标识别方法研究

该文在全极化、高距离分辨力雷达体制背景下,研究了光学区雷达目标回波极化度的分布特性,并利用分布特征参数进行定量描述,在此基础上对四类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。     

基于局部特征的猫眼效应目标识别方法

为了提高猫眼效应目标识别的准确性和速度,提出了一种基于局部特征的猫眼效应目标识别方法。该方法充分利用图像中猫眼效应目标区域的特征,去除背景干扰,识别出效应目标。试验结果表明,与基于压缩感知的猫眼效应目标识别方法相比,该方法在近距离识别时有更高准确性,识别速度更快。     

基于SIFT特征匹配的地面背景下目标识别方法

研究了地面背景下的红外目标识别技术.首先,从提高中值滤波实时性的角度考虑,提出了改进的自适应中值滤波算法,用改进算法对图像滤波;然后,通过空域图像增强方法和基于数学形态学的图像增强方法相结合的方式,提出一种针对地面目标的图像增强算法,拉开目标与背景的灰度差异、突出目标;最后,用基于SIFT特征提取的图像配准方法对增强后的地面背景下的红外目标进行识别(采用MATLAB进行编程仿真试验),匹配过程中重点讨论了匹配阈值的选择问题.实验结果表明,应用该方法对地面目标进行识别的效果比较好,具有一定的实用性和可靠性.     

基于模板匹配算法的字符识别研究

文中提出了一种基于模板匹配的字符识别算法。该算法在对输入的字符进行预处理的基础上对字符进行特征量提取,预先将字符分成若干个集合;然后再对各集合中的字符进行模板匹配,最终对字符做出判决。试验结果表明,模板匹配算法保证了字符识别的正确率,而对字符进行预分类,则缩小了模板匹配的字符对象范围,弥补了模板匹配算法对于大量字符耗时多的缺点。     

基于特征匹配的水下目标检测与识别

针对水下特殊环境的目标检测与识别,提出一种基于霍夫变换与几何特征相结合的特征匹配算法。通过对Canny边缘检测和迭代阈值分割的有机融合,实现了对图像的后处理式联合分割,有效地减小了光照不均等噪声干扰对目标提取的影响。通过霍夫变换直线匹配和几何特征匹配算法对规则的几何目标进行识别,具有较好的抗旋转和抗缩放性能。实验结果表明了该算法的准确性和稳定性。     

一种基于特征加权模板匹配方法在纸币字符识别中的应用

纸币字符是纸币的重要特征之一,一组字符能够唯一标识纸币的身份.能够快速地识别纸币中的字符直接影响到纸币字符识别的精度和速度.本文运用特征加权模板匹配算法,设计了一个纸币字符识别算法.该算法从当前应用最广泛的模板匹配法入手,对标准模板匹配算法加以改进,从而提高了纸币字符实别的效率和精度.该算法能够充分区分开字符笔画和非笔画部分对字符识别的影响大小,从而有效地提升了识别率和鲁棒性.从实验结果来看,该算法性能较优.     

低分辨雷达目标调制特征提取和分类识别方法

利用目标的发动机调制(JEM)效应,提取目标的谱线间隔、谱线宽度、谱线个数、幅度偏差系数、能量比、波形熵、中心矩等特征,形成特征向量后参与后续的综合决策。在低分辨雷达对飞机目标进行的目标分类识别试验中采集数据,进行了实测数据分析,实验结果表明提取的目标特征和分类效果方面的有效性。     

参数特征匹配在SAR目标识别中的应用

参数特征匹配是基于模型的雷达目标分类识别研究中的重要内容。首先回顾总结了目前典型的参数特征匹配方法,在此基础上,针对合成孔径雷达(SAR)目标识别问题,分析了测试数据参数特征集与目标散射模型参数特征集之间的匹配对应关系,进而采用确定性退火方法进行参数特征匹配,然后依据匹配点对数目信息构造合理的匹配系数,根据匹配系数判定目标所属的类别,最后通过仿真实验验证了算法的有效性。     

基于一维距离像序列的弹道目标融合识别研究*

一维距离像是宽带雷达目标识别的重要特征之一.本文根据弹道目标的微动特性,推导了微动弹道目标的时间-距离像模型.然后提取具有平移不变性的中心矩和双谱作为待识别特征向量,并分别使用K-L变换和局部双谱法对提取到的中心矩和双谱特征进行降维.将降维后的特征分别输入支持向量机进行分类识别,最后将支持向量机的输出进行决策级融合,得到待识别目标的识别概率.与基于单特征量的识别方法相比,本文提出的方法不仅具有较高的识别率,而且具有良好的抗噪能力.     

基于区域协方差的图像特征融合方法

考虑到不同特征代表图像的不同信息,融合后的特征更能体现图像的本质,概括总结了国内外各类图像特征融合方法,重点阐述分析了基于区域协方差的特征融合方法,该方法可以自然地融合多个相关特征,协方差计算本身具有滤波能力且效率高,最后通过设计合适的目标特征,基于区域协方差融合特征实现舰船目标识别。实验表明,协方差描述子可以较好地融合舰船可见光图像或红外图像的目标特征,提高目标识别能力。     

基于降维循环谱的特征提取与目标识别

在日益复杂的电磁环境中,如何提取有效特征是解决目标识别难题的一个关键。通过对目标信号的分析,发现它们虽呈现非平稳性,但却具有循环平稳性。因此,循环谱在分析此类信号方面具有优越的潜力,但是采用循环谱通常导致高维问题。针对这个问题,这里提出了降维循环谱的特征提取与目标识别方法,该方法以循环谱的相同频率点在不同循环频率下的相关性作为识别特征,并用主成分分析方法对该特征降维。实验结果表明,基于降维循环谱的方法具有很好的鲁棒性。     

基于中心矩特征的空间目标识别方法

目标的雷达散射截面（RCS）包含了丰富的目标类别信息,有效地利用目标RCS特征对空间目标的雷达识别具有重要的意义。该文利用空间目标回波的距离维信号来进行识别。中心矩特征具有平移不变性,是一种简单有效的波形特征提取算法。文中首先提取中心矩作为特征向量,再采用Fisher判据进一步进行特征压缩,最后利。用支撑矢量机（SVM）分类算法实现识别。基于实测数据的仿真实验结果表明,该方法具有较好的识别性能和推广能力。     

可视化与非可视化特征融合超声3D目标识别研究

目前常用的超声3D目标识别方法主要是利用传感器在空间一点或多点获取一维回波,通过信号处理得到目标体3D信息以实现3D目标体识别。这些方法普遍存在识别率低和鲁棒性差的问题,制约了该项技术的推广和应用。为此,文中提出了一种基于可视化和非可视化特征融合的超声3D目标体识别方法,该方法将目标体回波信号处理方法与合成孔径方法相结合,将提取的目标体信息在特征层进行了融合,然后经BP神经网络实现了分类识别,可使现有方法的不足得到显著改善。通过对3类人工靶标的实验表明,该方法可显著提高缺陷的3D识别率,能够保持在90%以上,且鲁棒性也得到明显改善。