基于高阶胡氏矩的多目标图象识别算法

本文提出了一种多目标图象识别算法,算法以小波变换和目标区域分割算法实现图象的前期处理,以高阶胡氏矩为基础,利用k邻近法构建了分类器,实现了多类目标的识别与分类.仿真实验证明,此算法具有较高的识别精度.     

图像局部特征识别中的多目标分离

研究了一种多目标识别算法,该算法用SUSAN角点形成SIFT特征点,采用阶梯图像金字塔结构实现尺度不变,为所有匹配点建立统一的超定线性方程组并对该方程组系数矩阵进行简化使其维数降低一半,得到增广矩阵.对增广矩阵进行列变换,依据坐标转换的特性可从中提取多目标的稳定正常点,实现了快速分离多目标的匹配点.结果表明,利用新算法得到的多目标识别结果能保证最小二乘法迭代运算快速收敛,且一次迭代就能得到精度较高的目标定位参量,根据SIFT标准的128维局部特征描述符判别匹配点,匹配点数量较SIFT算法多一倍,分离多目标速度较Hough变换快2～3倍.     

基于双目标识别和准直数学模型改进的光路自动准直方法

针对原有大型激光装置在双光学目标条件下无法实现光路对接准直的缺点,本文提出了一种基于双目标识别和准直数学模型改进的光路自动准直方法,主要从双目标识别算法实现和多光路、双目标准直数字模型的构建两个方面进行优化。首先,提出基于圆拟合的双光学目标识别图像处理算法,实现了双光学目标的识别,为光路对接准直的成功提供保障;其次,构建新的多光路、双目标自动准直数学模型,为光路准直中各个准直参数的标定和计算提供指导;最后,优化准直流程的调度,对多个光路进行并行准直,提高光路对接准直流程的效率。实验结果表明：本文提出的基于圆拟合的双光学目标识别算法实现了光路对接准直流程中的模拟光目标和主激光目标的识别,识别误差精度小于3个像素,处理时间小于1 s,满足了大型激光装置光路对接准直过程对于精度和效率的要求。本文构建的基于多光路、双目标自动准直数学模型对于光路对接准直流程的成功具有指导意义。     

大尺度混合畸变的目标识别技术

为解决目标识别技术中混合畸变目标的识别难题,提出了一种面积极坐标变换算法.该算法利用相似图形尺寸与面积的满射函数关系和极坐标变换的旋转不变特性,对目标与模板同时进行面积变换和极坐标变换.将面积极坐标变换算法与基于形态学膨胀的边缘加粗处理算法相结合应用于光电混合联合变换相关器,实现了大尺度混合畸变目标的识别.以空中飞机为例,光学相关实验表明,该方法可显著提高混合畸变目标的相关峰强度,旋转畸变容差为0°~100°,比例畸变容差为100%~200%,具有较大尺度的混合畸变容差,扩大了识别范围.其混合畸变识别能力优于极坐标对数变换算法与综合鉴别函数法其衍生方法,其"时间复杂度"远小于综合鉴别函数及其衍生方法.     

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。     

基于流形学习的单类分类算法及其在不均衡声目标识别中的应用

针对数据不均衡条件下的目标识别性能下降问题,首先讨论了目标声信号所包含低维流形的特点,在此基础上设计了基于流形学习的单类分类算法,通过比较测试样本与正类样本在流形上的符合程度判决其是否属于正类。将此分类算法应用于包含不均衡数据的声目标识别,三组不同环境和识别目标的实验数据集测试结果显示该算法可以有效地从多种目标中识别特定类别目标,与其他单类分类算法相比,提高数据不均衡条件下的识别性能,并对样本的混叠分布具有较好的鲁棒性。      

基于光谱成像的目标识别技术综述

从光谱成像识别机理出发,概述了光谱成像识别的最新应用,较为详细的讨论了多光谱信息获取以及多光谱识别算法两项关键技术。在多光谱信息获取方面,列举了国内外多种多光谱成像传感器的设计方案,并给出了优缺点评述。在识别算法方面,以目标与诱饵的光谱特性为前提,以光谱识别中是否融合时间、空间信息为分类依据,分别讨论了单一光谱维、时序光谱维,以及空间光谱维上的聚类识别特征选择问题,并给出了几种识别算法的原理。     

多光谱分离算法在目标识别中的研究

针对野外工作时机械扫描式的光学系统抗震性差、目标识别率低、实时性差等问题,设计了采用多光谱分离算法实现非扫描目标识别遥感系统。采用非扫描的M-Z干涉具提供空间光程差,由红外CCD采集干涉条纹信息,经CUP处理得到混合光谱,结合可见光视频图像提供的坐标系实现识别目标。其中采用遗传算法优化选择特征波长,然后由粗糙集分类提取未知目标谱的属性,取前1/3可信度的相应属性反演待测目标种类,相比传统算法减少约9倍的运算量。在不同天气、不同背景条件下做实验,得到系统在各种情况下的探测极限及识别概率。由实验数据可知,采用遗传算法和粗糙集分类相结合的多光谱分离算法可以快速、有效地识别未知目标的种类。     

基于区域合并的动态阈值分割算法

在传统分块分割再合并阈值法的基础上,引入图像区域合并的思想,以邻近区域阈值相似性作为判断区域合并的依据,借助人机交互式系统,运用待识别目标灰度与完成区域合并的阈值作加权,消除区域灰度不连续,实现目标与背景的有效分离,减少算法的运算量,提高目标识别精度.实验证明,该算法实现简单且行之有效.     

预测特征误差映射及其在多基地水下目标识别中的应用

针对水下多基地目标识别问题,提出了基于特征预测和误差映射的多基地融合识别算法。推导并简化了基于贝叶斯公式的多基地目标识别条件概率公式,利用BP神经网络对最后一个节点的特征向量进行预测,并计算得到预测值与实际值误差的概率密度,将其与前面每个节点的条件概率累乘,以得到目标识别的条件概率。将利用特征预测计算条件概率的方法从单个节点推广到多个节点上,同时针对误差概率分布模型不准确的问题,提出了利用混合高斯分布模型代替单高斯概率分布模型的改进方法。对每个目标重复此过程,取结果最大值对应的目标类别为最后的识别结果.在消声水池开展多基地模拟实验,对四类目标进行识别,在一定声呐节点数目及信噪比条件下,与单基地声呐相比,多基地目标融合识别得到的识别正确率最大可提高40%,采用改进方法以后,识别正确率得到进一步提高。      

基于图像局部区域梯度特征描述的红外人体识别算法

提出了一种新的红外图像中人体目标识别方案并进行了算法实现。通过直方图聚类分析对红外图像进行分割,根据二值化图像团块的特点,确定图像中的候选目标图像区域。将候选目标图像按比例划分为多个区域,使用梯度位置朝向直方图(GLOH,Gradient location-orientation histogram)对候选目标图像进行描述。与其它红外图像中人体识别算法相比,不需要多种特征提取算法组合进行分步骤识别,仅使用单个SVM分类器即可达到满意的识别率,避免了分类器的级联,算法简单有效。     

逆光海况下低质量红外目标的增强与识别

海上红外目标识别在海事搜寻中发挥着重要的作用,针对逆光海况下出现的目标反向对比度特点及其目标淹没于背景的问题,结合其直方图呈现的局部尖峰特点,提出了修正灰度占比的新直方图均衡化并融合边缘信息的增强算法。该算法可以有效地提升目标区域的对比度,从而提升海上红外图像的质量。在海上红外目标识别与检测中,建立了目标与背景的多尺度“九宫格”搜索框,演化了局部对比度显著性量化的数学模型,实现了符合人眼视觉特性的红外目标的准确定位与检测。在海上红外图像增强测试中,所提算法可以使原图像的平均梯度提升两倍以上,使局部对比度增益因子提升两倍以上。在目标识别的算法测试中,所提多尺度局部对比度目标检测算法可以使目标检测率达到99%以上。     

光学多目标识别的新方案

介绍一种数学形态学的击中与否（Ｈｉｔ－ｏｒ－Ｍｉｓｓ）算法，能快速准确实现光学多目标识别的新方案，避免了普通光学相关目标识别方法中经常出现的错误信号，因此，其目标识别结果更为有效可靠。     

基于区域增长的图像跟踪算法的研究

为了提高序列图像的跟踪精度,提出了基于区域增长的特征量提取方法。这种方法可捕获图像中所有单连通域,并能准确地提取其特征量,然后依据所提取的特征量设计分类器,实现对图像中所有单连通域进行分类识别并加以跟踪的目的。此算法有效地解决了一般传统识别算法难以区分目标和其近邻区域的干扰,而导致跟踪目标特征量提取不准确的问题。在目标特征提取识别算法的基础上,还提出了阈值预测分割算法,并应用在序列图像的跟踪中,取得了较好效果。     

基于卷积神经网络的目标检测硬件加速器设计

基于卷积神经网络的深度学习算法的检测识别精度已远远超过了传统模式识别算法,但卷积神经网络中的卷积、非线性激活等运算,需要巨大的算力才能高效率实现,这使得很多深度学习算法模型难以在算力限制的嵌入式平台上进行部署。以目标检测算法YOLO-V3为例,针对网络的不同层设计了对应的FPGA实现方法,并且特别针对卷积层设计了分片分块并行运算的运算单元,最终在FPGA中实现了一种目标检测硬件加速器。该加速器可充分利用FPGA的硬件计算资源,其整体平均性能为192.229 GOP/s。通过实验对比,证明该目标检测硬件加速器可以为嵌入式红外目标识别系统提供一种能效高、识别精度高的解决方案。     

基于航迹和特征的目标识别技术在多目标跟踪中的应用

针对目前机动目标跟踪所面临的机箭分离、机弹分离、级间分离等一转多的目标跟踪问题,提出了一种复合目标识别技术.针对目标的面积,外接矩形长度、宽度、长宽比,紧凑度,转动惯量和航迹对多种目标进行准确的认定和匹配,并在目标的切换过程中引入一种新型切换技巧.此算法大大提高了一转多目标的跟踪可靠性,实际应用表明:目标识别准确,跟踪切换平稳,应用价值高.     

复杂海空背景下红外弱小目标检测技术研究

为实现舰载红外警戒系统对海空背景下红外弱点目标的检测,根据目标识别系统的组成及目标检测识别信息处理流程,研究了远距离弱小目标的检测识别算法。结合形态学的方法给出一种目标检测算法,该算法可以有效地消除云层、海浪、海天线以及传感器本身引入的杂波和噪声干扰,仿真结果表明采用本文提出的算法有利于对目标的进一步识别,提高舰载红外警戒系统的目标检测性能。     

一种小波多分辨率分析的多算子动态场景目标跟踪算法研究

根据某型号多传感器光电成像设备实际应用的特点,提出了一种基于小波多分辨率分析(MRA)的多算子自适应目标识别跟踪算法,可实现昼夜型光电设备对陆地/海面全动态场景不确定目标的识别跟踪。建立了一种基于帧内、帧间置信度评价的双阈值自适应跟踪预测策略和相似目标辩识准则,有效地提高了目标跟踪的稳定性和鲁棒性。地面仿真及空中实际飞行实验结果表明:该算法能够很好地实现在各种复杂场景条件下的动态场景目标的稳定跟踪。     

基于几何差异的目标识别算法

为降低目标识别算法复杂性且提高其抗噪能力,提出一种基于几何特征差异的目标识别算法。将获取到的目标图片经图像处理后提取轮廓,并以最小周长多边形算法构造目标轮廓的近似多边形;然后根据模板库标准目标做放大或缩小处理后使其面积与模板面积相等;再使用摆放算法使其与模板库图形部分重合;并提出一种改进型双向链表算法求多边形相交部分,通过计算相交部分面积大小达到识别图像的目的。经过仿真实验验证了此方法简单易行,能够快速识别目标。     

连续隐马尔科夫模型在多基地目标识别中的应用

多基地声纳组网探测系统是目前大范围水下安保领域的研究热点。综合利用多基地系统中各个声纳节点的信息进行水下目标识别是亟待解决的问题。利用传统的多传感器融合的方法进行多基地水下目标识别,往往忽略了各声纳节点之间的相关性,效果并不理想。针对这一问题,本文提出了利用连续隐马尔科夫模型(CHMM)进行多基地水下目标识别的方法。首先利用RELAX算法提取了目标在不同分置角上回波的强散射点特征,组成观测向量,利用Baum-Welch方法对CHMM参数进行训练,然后计算待识别目标的特征值观测序列在不同模型下的似然概率。对所有目标重复此过程,取概率最大值对应的目标类别为最后的识别结果。在消声水池开展多基地模拟实验,对四类目标进行了识别,利用CHMM方法得到的多基地水下目标融合识别率比多基地声纳下单声纳节点的最高识别率提高了30%。