无人机多机动目标自主探测与跟踪

无人机机载相机图像中机动目标尺寸较小而且会发生显著变化,加上大量的背景噪声干扰,给目标探测和跟踪带来很大困难.针对这些问题,本文提出了一种在无人机机载相机图像序列中自主探测与跟踪多个机动目标的方法.首先,提取目标的图像数字特征并采用级联分类算法进行特征分类,得到目标的强分类器,对目标进行自主探测搜索.然后,基于全局最优关联算法对探测回波进行关联滤波,实现对多个机动目标的跟踪与识别,其中最优关联代价矩阵融合了距离和方向信息,提高了关联和跟踪的鲁棒性.将无人机航拍图像序列中的地面坦克作为目标进行实验,结果表明本文算法可以实现对多个机动目标的自主探测和跟踪,并具有较好的跟踪鲁棒性.     

无人机自主目标识别与定位应用研究

面向无人机自主侦察任务中在线目标识别与定位需求,首先梳理了无人机侦察中目标识别领域的相关研究成果;然后,介绍了Faster RCNN目标识别算法的实现原理,并针对任务需求进行了改进;之后,介绍了图像拼接的相关算法并进一步提出了目标相对定位算法;最后,设计了完整的侦察试验流程对所设计自主目标识别与定位方法进行验证;结果表明,改进的目标检测网络能够达到83.3％的识别准确率和35帧/秒的识别速度,所提出的相对定位算法可以达到0.702 m的平均定位精度,能够满足侦察无人机在线目标识别与定位的任务需求.     

多无人机联合三维定位中的目标优化识别

在进行多无人机定位中的目标优化识别时,由于目标高度离散性大,目标距离特征具有较大的随机性,导致传统的采用时空MUSIC算法的多无人机联合三维定位中的目标优化识别方法,无法依据稳定的距离矩阵特征,获取目标高度或俯仰信息,无法准确识别目标,提出一种基于ML的多无人机联合三维定位中的目标优化识别方法,利用多无人机联合三维定位目标动态模型,依据回波数据随时获取目标的径向距离、方位角以及多普勒信息,对多无人机联合三维定位中的目标位置进行最大似然估计,实现目标的准确优化识别。仿真结果表明,所提方法具有很高的精度及有效性。     

基于嵌入式平台的航拍目标智能识别

基于多旋翼无人机实现目标识别具有成本低、灵活性高的优点,能够对近地低空目标进行高强度监测,在国防军事领域和民用领域具有巨大的应用前景;但无人机机载计算机常使用功耗小、重量轻、可靠性高的嵌入式设备,该类设备算力有限,难以实时运行现有深度学习目标识别算法,因此研究深度学习航拍小目标识别技术在嵌入式设备中实时运行有重要意义;基于YOLOv4设计了适用于无人机俯视小目标的轻量化网络,并基于BN层 系数对网络进行剪枝,采用了TensorRT对算法进行硬件加速;同时,制作了小型军用目标数据集,基于该数据集,在机载嵌入式运算平台上对原始YOLOv4算法和改进的算法分别进行了测试,改进算法与原YOLOv4相比,准确率提升了2.3%,速度提升了3.3倍。     

基于RPCCA的无人机目标跟踪定位算法

针对目前无人机(UAV)对于行人目标的识别准确度不高,数据传输不稳定并且易受干扰和现有无人机目标跟踪系统一般是利用卫星信号进行定位,传输数据成本较高且具有一定的局限性的问题,提出了基于正则化成对约束组件分析的无人机目标跟踪定位算法,利用正则化成对约束组件分析实现了无人机对目标的准确识别,利用WiFi进行大数据稳定、实时的传输,与基于卫星的定位算法可以形成互补,在此基础上,利用扩频通信进行重要数据的准确传输,改善了系统的抗干扰性能。实验结果表明:该算法不仅可以有效地识别与跟踪目标,而且可以实时传输无人机的位姿参数与目标检测结果。     

旋翼无人机变速下的多图像目标监测仿真

旋翼无人机在变速状态下的多图像目标识别对飞行性能有着重要的影响.旋翼无人机变速状态下,采集的多目标图像受到飞行不定速度的影响,造成采集的识别目标图像之间会出现可识别特征叠加、特征纯正缝隙和重叠等问题,造成可识别图像特征不连续.利用传统算法识别飞机变速下采集的多目标图像特征,无法对不联系的图像特征进行建模,一旦发生飞行速度变化,会造成无人机多目标识别结果出现较大偏差.提出采用经验模态分解算法的旋翼无人机多目标识别方法.根据旋翼无人机采集的不同目标的航拍图像,进行经验模态分解,针对分解结果进行重构,实现变速下多目标航拍图像融合.将融合处理后的结果,进行特征点提取和空间位置计算,实现旋翼无人机的多目标识别.实验结果表明,利用改进算法进行旋翼无人机的多目标识别,能够提高变速下多图像目标识别的准确性.     

基于红外与可见光图像融合的无人机探测研究

为了进一步提高识别无人机的效率,提出基于红外与可见光图像融合的无人机探测方法,并且对配准算法进行改进,搭配Canny边缘检测ORB特征检测的融合配准算法.首先,搭建双目摄像头、采集无人机图像;接着,对图像进行La?place预处理、Canny边缘检测ORB特征检测配准、Harr小波变换融合.将得到的融合图像和融合前的可...     

基于YOLOv3的无人机目标识别与双目测距应用研究

本文将YOLOv3[1]目标检测算法与双目测距方法融合并应用在无人机上,不仅能够检测出无人机前方是否有物体,还能够对物体进行识别和分类,同时测量与目标物体的距离.此算法首先通过训练好的YOLOv3-tiny模型对前方的物体进行检测,再用标定过的双目相机获取视角内的深度图,对识别到的目标物体进行测距.为验证检测结果的有效...     

入侵目标视觉检测与识别的研究进展

入侵目标视觉检测与识别是无人机感知与规避技术领域中重点研究的课题,关键任务是无人机在飞行过程中通过机载传感器获取光学机载图像中并判断是否存在入侵目标,并对入侵目标进行检测识别和定位。入侵目标视觉检测与识别是将无人机安全集成到国家空域并保证无人机和有人机飞行安全的关键技术之一。本文主要围绕无人机感知与规避技术中的入侵目标视觉检测与识别技术方面,分析检测与识别入侵目标所面临的一些难点问题,综述当前入侵目标视觉检测与识别的主要处理方法,并指出了该领域存在的尚未解决的问题和展望未来的发展趋势。     

无人机小目标检测综述

在无人机技术的驱动下,无人机小目标检测成为当前计算机视觉领域的一个热点和难点。为理清当前无人机小目标检测的发展现状,首先介绍了两种小目标的定义形式,并分析总结出目前无人机小目标检测所面临的难点。之后总结当前常用的无人机小目标检测方法,并在每一个方法后面总结分析了其优缺点。接着总结了每种方法在其论文所实验的数据集上的表现结果。然后对部分常用无人机目标数据集进行了介绍。最后总结了全文并提出了未来能够提升无人机小目标检测性能的研究方向。     

SAR图像目标识别的卷积神经网模型

目的 合成孔径雷达图像目标识别可以有效提高合成孔径雷达数据的利用效率。针对合成孔径雷达图像目标识别滤波处理耗时长、识别精度不高的问题,本文提出一种卷积神经网络模型应用于合成孔径雷达图像目标识别。方法 首先,针对合成孔径雷达图像特点设计特征提取部分的网络结构;其次,代价函数中引入L2范数提高模型的抗噪性能和泛化性;再次,全连接层使用Dropout减小网络的运算量并提高泛化性;最后研究了滤波对于网络模型的收敛速度和准确率的影响。结果 实验使用美国运动和静止目标获取与识别数据库,10类目标识别的实验结果表明改进后的卷积神经网络整体识别率（包含变体）由93.76%提升至98.10%。通过设置4组对比实验说明网络结构的改进和优化的有效性。卷积神经网络噪声抑制实验验证了卷积神经网络的特征提取过程对于SAR图像相干斑噪声有抑制作用,可以省去耗时的滤波处理。结论 本文提出的卷积神经网络模型提高了网络的准确率、泛化性,无需耗时的滤波处理,是一种合成孔径雷达图像目标识别的有效方法。     

基于ICA和SVM的SAR图像特征提取与目标识别

提出一种利用独立分量分析和支持向量机的合成孔径雷达图像特征提取与目标识别方法。对图像小波分解后提取低频子带图像,对低频子带图像进行独立分量分析提取特征向量,利用支持向量机对特征向量分类完成目标识别。将该方法用于MSTAR数据中的3类目标识别,识别率最高可达96.92%。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

SAR目标特性分析技术

随着合成孔径雷达（SAR）传感器技术的发展和获取信息的增多,如何有效地实现SAR图像的信息提取和解译,是当前亟待解决的关键问题。本文研究和综述了面向识别的SAR目标特性分析技术。首先,从SAR的成像原理出发,深入分析和探讨了影响SAR图像目标特性的主要因素;然后,系统总结了点状目标、线状目标和面状目标的一些特性分析和特征提取技术;最后,对SAR目标识别技术的未来发展方向进行了展望。     

A feature extraction method for synthetic aperture radar(SAR) automatic target recognition based on maximum interclass distance

Synthetic aperture radar(SAR) automatic target recognition is an important application in SAR.How to extract features has restricted the application of SAR technology seriously.In this paper,a new feature extraction method for SAR automatic target recognition based on maximum interclass distance is proposed,which integrates class and neighborhood information.This method can reinforce discriminative power using maximum interclass distance,so it can improve recognition rate effectively.     

基于多小波子带加权判别熵的SAR目标ICA特征提取及识别

传统小波独立分量分析(ICA)提取合成孔径雷达(SAR)目标特征时大都采用单一的小波基函数,并且仅利用小波分解低频子带数据进行ICA处理,而忽略了高频子带信息。针对这一问题,采用多类小波基函数对SAR目标图像进行分解;针对得到的所有低频和高频子带数据,引入子带加权的判别熵准则,结合现有的小波ICA算法,提出多小波子带加权判别熵的SAR目标图像ICA特征提取算法。采用MSTAR实测SAR目标图像数据,根据提出算法进行特征抽取,利用最近邻准则进行SAR目标识别。识别结果表明提出算法优于仅利用小波分解低频子带ICA算法。     

一种有效的SAR图像自动目标识别方法

提出了一种有效的SAR图像中自动目标识别的方法。首先采取双阈值CFAR目标分割算法对SAR图像进行目标分割。通过对SAR图像的空间局部特征和PCA全局特征的提取,在参数学习的基础上,结合了遗传算法进行迭代优化获取分类器,实现SAR图像的自动目标识别。该方法可以直接对原始图像进行计算,避免了基于数据特征计算所带来的问题。实验结果显示,这种基于遗传算法的自动目标识别方法对T-72和BMP2坦克进行识别,获得了较好的识别率。     

基于Laplacian正则化最小二乘的半监督SAR目标识别

提出了一种基于核主成分分析(kernel principal component analysis,简称KPCA)和拉普拉斯正则化最小二乘(Laplacian regularized least squares,简称LapRLS)的合成孔径雷达(synthetic aperture radar,简称SAR)目标识别方法.KPCA特征提取方法不仅能够提取目标主要特征,而且有效地降低了特征维数.Laplacian正则化最小二乘分类是一种半监督学习方法,将训练集样本作为有标识样本,测试集样本作为无标识样本,在学习过程中将测试集样本包含进来以获得更高的识别率.在MSTAR实测SAR地面目标数据上进行实验,结果表明,该方法具有较高的识别率,并对目标角度间隔具有鲁棒性.与模板匹配法、支撑矢量机以及正则化最小二乘监督学习方法相比,具有更高的SAR目标识别正确率.此外,还通过实验分析了不同情况下有标识样本数目对目标识别性能的影响.     

基于数据融合的SAR图像目标识别算法

目前卷积神经网络已经在SAR目标识别领域得到了广泛应用, 然而, 由于SAR图像的目标样本数量过少, 以及图像相干斑噪声的存在, 使得网络不能充分的学习样本深层特征, 对网络的识别性能会造成一定的影响. 针对上述问题, 提出一种基于数据融合的目标识别方法, 算法首先对原始图像分别进行噪声抑制和边缘信息提取处理, 然后将处理后的两类特征信息进行数据融合, 将单通道灰度图像融合扩充至双通道图像来作为训练样本, 同时构建了一个高低层特征融合的卷积神经网络模型, 使用注意力机制来加强了对有用特征的学习, 实验结果显示, 该方法在MSTAR数据集上, 表现了对不同目标型号的优秀识别效果.     

高频区复杂目标宽带雷达特征信号仿真

高频区复杂目标宽带雷达特征信号包括日标的高分辨一维距离像和两维SAR／ISAR图像,高频区复杂目标宽带雷达特征信号仿真对雷达目标识别和SAR／ISAR图像解译具有重要意义。该文在现有高频区复杂目标RCS特征信号计算方法的基础上,重点研究了高频区复杂目标宽带雷达特征信号包括目标的高分辨一维距离像和两维SAR／ISAR图像的仿真方法。并通过仿真目标和实际复杂目标的高频区宽带雷达特征信号的仿真实验结果验证了该文方法的有效性。     

融合压缩感知和SVM的SAR变形目标识别算法

为降低合成孔 径雷达(Synthetic aperture radar, SAR)图像目标识别中目标方位角的影响,并提高对SAR变形目标的识别率,本文提出了一种基于压缩感知和支持向量机决策级融合的目标识别算法。该算法首先基于稀疏表征理论将SAR目标识别问题描述为压缩感知的稀疏信号恢复问题,然后基于稀疏系数分别进行目标类别判别与方位角估计。对样本进行姿态校正后,利用支持向量机分别对经过姿态校正和未经姿态校正的样本进行目标分类。最后采用投票表决法对3种算法的分类结果进行决策级融合。实验结果表明,基于压缩感知结果进行目标方位角估计有效,且随着训练样本数的增加,提出的决策级融合算法提高了SAR变形目标的识别率。