基于边缘区域不变矩的缺损扩展目标识别方法

该方法提出以基于边缘区域的局部不变矩作为识别特征,结合多神经网络实现对缺损扩展目标的有效识别。讨论了离散情况下基于边缘区域局部不变矩的平移、旋转和尺度不变性。在此基础上,建立目标多个处理区域的BP人工神经网络,利用各网络分类综合结果提高缺损目标的识别率。实验结果显示该方法能够对缺损扩展目标进行正确识别,特别对于有较大部分缺损的扩展目标识别有明显优势。     

基于扩展目标的不变矩跟踪算法

 提出基于边缘区域的不变矩计算方法，在此基础上，针对在运动中形状、尺寸和方位不断变化的扩展目标，提出一种以不变矩作为跟踪特征，粗、精阶段相结合的相关跟踪算法，并根据目标图像的相关性给出一种新的跟踪置信度。实验结果显示算法迅速、有效、匹配精度高，对于复杂背景，较强噪声和运动状态发生变化条件下的扩展目标跟踪稳定可靠。     

基于扩展目标的不变矩跟踪算法

提出基于边缘区域的不变矩计算方法,在此基础上,针对在运动中形状、尺寸和方位不断变化的扩展目标,提出一种以不变矩作为跟踪特征,粗、精阶段相结合的相关跟踪算法,并根据目标图像的相关性给出一种新的跟踪置信度。实验结果显示算法迅速、有效、匹配精度高,对于复杂背景,较强噪声和运动状态发生变化条件下的扩展目标跟踪稳定可靠。     

基于小波不变矩的多类目标特征选择算法

特征选择是目标识别中的重要问题。对于有着3个参数（m,n,q）的小波矩来说更是如此。基于2类模式的特征选择思想,提出多类模式下绝对可分的特征选择算法,给出图像数值化处理中参数(m,n,q)的合理取值范围。实验结果表明：无论是对差别比较大、差别比较小还是混合型的多类目标,经过此特征提取出来的小波矩都有着较好的识别效果。     

基于形状特征的水声图像小目标识别方法

为了抑制背景噪声,提高目标识别准确率,该文提出一种基于形状特征的水声图像小目标识别方法.对含有目标的水声图像进行非局部均值去噪处理后,使用OTSU算法自适应选取阈值对去噪图像进行二值化分割,结合形态学处理获得分割后的目标区域;提取目标区域的矩形度、圆形度、几何不变矩等各项形状参数,将目标的特征向量输入随机森林分类器实现...     

图像区域不变矩的快速计算方法

为了实时提取图像中任意尺寸窗口区域的不变矩,提出了一种快速计算方法。该算法通过构造一组积分图像,避免了在直接计算中出现的大量重复运算,使得图像中任一子窗口区域的不变矩都可以通过组合几个查找表运算得到。由于查找表运算的加法和乘法次数是恒定的,从而使得不同尺寸窗口区域的不变矩的计算均能在相同时间内完成。实验结果表明,该方法不会引起计算精度的损失,极大地降低了计算复杂度。对于从300×300pixels图像中提取的所有81×81pixels的窗口区域的不变矩这一任务而言,快速算法仅需31ms,比直接计算的速度提高了324倍。     

基于不变矩特征匹配的目标定位方法的实现

研究了弹道导弹在再入段的红外成像制导中存在几何失真及像质模糊的实时采集图像与基准地图的匹配定位问题。用不完全统计法证明经过平移、伸缩、旋转、加噪等多种复合变换下的图像的矩不变性,并选择6种经过消误差处理后的不变量作为弹道导弹成像匹配应用的特征量,采用Camberra距离最小法进行实时图像和基准图像的特征量匹配。实验部分验证了方法的正确性和可行性。     

基于局部尺度不变特征的快速目标识别

介绍了图像局部尺度不变特征的提取方法,将局部尺度不变特征用于目标识别,为提高识别实时性,提出利用金字塔和尺度空间的混合多尺度表示方法,按照从大尺度到小尺度的顺序对待识别图像的特征点进行检测与匹配,直到完成识别为止,有效地提高了识别速度。     

基于LVQ神经网络的目标识别技术

通过对目标特征的分析比较,选取不变矩作为识别特征.为了达到很好的识别效果,对不变矩做了优化处理.采用LVQ神经网络技术建立了识别模型,提高了识别速度.运用有限的样本对目标识别技术进行了测试,结果表明采用此技术后的识别成功率较高,平均约为98%,识别速度快,每幅二值目标图像的识别时间约为16 ms.     

复合深度神经网络在直升机声目标识别中的研究

针对直升机探测中目标运动过程连续识别的鲁棒性问题,提出了一种基于复合深度神经网络的直升机声学特征提取和识别框架。复合深度神经网络由卷积神经网络和长短时记忆神经网络以并行结构组合,进行直升机声学特征的优化,完成直升机类型识别。针对直升机声信号特性,对卷积神经网络进行了改进,使得该复合深度神经网络在信号短时谱基础上优化声信号特征表征并提取前后帧之间的相关信息,弥补通常声目标识别方法不能充分利用目标信号时间历程信息的缺陷。真实外场实验数据测试结果显示:相较于传统识别方法,该算法显著提升了直升机进入有效探测范围后连续识别的鲁棒性和目标识别正确率。     

水下目标多模态深度学习分类识别研究

水下目标的分类识别对于水声探测具有重要意义。提出一种水下目标多模态深度学习分类识别方法。针对水声信号的一维时域模态和二维频域模态特征建立一种多模态特征融合的深度学习结构,结合长短时记忆网络和卷积神经网络的优点,对一维时域信号和二维频谱信号分别进行并行处理,对输出进行典型相关分析,形成特征融合表示,并利用相邻帧的相关性进行参数优化。利用实测水声信号对算法进行了验证。结果表明：提出的算法对于水下目标识别的精度有显著的提高。     

动态目标定位和字符识别技术在机器人视觉中的应用研究

提出了一种机器人手-眼视觉分步动态目标定位方法,实验中保持摄像机图像平面与工作台平面平行,并对摄像机的拍摄高度进行设定,最终将目标定位在图像的中心位置。在目标类型识别过程中,采用BP神经网络技术对目标表面字符进行识别,通过识别的字符判定目标类别。最终由字符信息及目标定位信息引导末端执行器完成对目标的准确分选。     

模糊对向传播网络数据融合目标识别方法

重点研究了模糊对向传播网络 (FCPN)模型。针对数据融合和目标识别的特点 ,提出了基于模糊对向传播网络的融合目标识别方法和改进的模糊对向传播网络 (MFCPN)融合结构。利用仿真数据对网络的训练算法和融合结构进行了实验研究。结果表明 ,模糊对向传播网络较误差后向传播网络 (BPN)能够有效地实现融合识别 ;改进的模糊对向传播网络融合结构是可行的。同时还对FCPN和MFCPN应用于前视红外 (FLIR)和可见光摄像机目标跟踪系统进行了应用研究。     

基于卷积神经网络的雷达目标航迹识别研究

现代战争中雷达信号日趋复杂,如何快速准确地从种类繁多、数据量庞大的雷达检测数据中,获取目标航迹的类别信息,为战场指挥提供准确有效的信息是当前急需解决的难题。传统基于人的经验认知的雷达目标航迹识别方法已经无法有效应对瞬息万变的战场和海量数据。根据实际雷达数据特点,提出了使用对数的雷达航迹预处理方法,并构建了基于卷积神经网络的深度学习模型,实现了对雷达对抗中的目标航迹的识别与检测。基于模拟生成的雷达目标航迹数据对提出的数据预处理方法和构建的模型进行测试;实验表明,所提出的方法能很好地实现对目标航迹的检测与识别。     

复杂背景下扩展目标极形态分形分割算法

 用极形态算子优化分形模型,提出了一种复杂背景下的扩展目标分割新算法。首先分析极坐标系中可变尺度形态结构算子的旋转缩放特性,并以此为基础进行极形态运算,再利用最小二乘法提取分形尺度误差进行二值化,然后进行边界跟踪,依据先验知识抑制背景团块,最后保留并填充面积最大的目标团块。仿真实验证明能够有效分割复杂背景下的扩展目标,并较好地保留了目标形状特征。