要地警戒雷达目标特征提取及分类研究

对于要地警戒雷达而言,监视的重点目标为人和车辆。利用多普勒效应和微多普勒特征对人和车辆进行分类,是当前地面目标识别的一个重要发展方向。结合Ku波段雷达的实测数据,首先对回波信号进行高通滤波抑制杂波,随后通过能量求和、门限判别等方法,对目标进行了特征提取,最后利用目标散射强度、距离扩展宽度、速度和步态频率等特征的差异,对人和车辆进行了分类研究。实验结果表明,通过不同属性特征的合理利用,该方法能够较为准确地实现对人和车辆的分类及识别。     

地面三维目标的探测识别系统研究

针对人员、车辆等地面目标运动时产生的地震动信号,利用地震动传感器采集这些信号并作预处理,再通过模糊识别算法对目标特征进行分类识别,进而构建了一个地面三维目标的探测识别系统.     

战场侦察雷达目标识别方法研究

在战场侦察雷达的应用中,对各种地面目标的分类识别,一直是一个重要课题。本文针对人员、履带车、轮式车、直升机和炸点的回波特性作了讨论。研究了人员、车辆目标特征谱多普勒响应的特点,提出了一种利用人员目标的多普勒响应的波动特性,结合目标的反射幅度来区别人员和车辆的目标识别方法。研究了轮式车和履带车的多普勒谱分布特性,提出了利用两种目标的多普勒带宽特性来区分轮式、履带车辆的方法。研究了炸点目标的多普勒谱分布特性,提出了利用炸点目标与普通目标的多普勒分布差的区别进行分类的方法。     

基于证据理论的车辆微动特征识别技术

针对利用单一特征进行地面轮式/履带式运动车辆目标分类时识别率低的问题,提出了基于证据理论的运动车辆多域特征融合识别方法。通过频域、时频域微动特征提取获得基本信任赋值,首先利用D S证据理论对频域特征结果进行融合得到其识别结果与识别信度,然后对频域与时频域识别结果进行决策级证据理论融合,得到运动点迹的目标类型,最后根据航迹判别规则完成轮式与履带式车辆的分类。通过实测数据试验验证,多域特征融合识别方法可以有效地利用地面动目标频域与时频域特征,进而提高了识别性能。     

基于微多普勒特征的地面目标分类

轮式履带式车辆目标分类是低分辨雷达地面目标识别研究领域的一个难点。该文基于微多普勒效应原理建立了轮式履带式车辆的雷达回波模型,针对轮式履带式车辆微多普勒调制的不同,提出了一种基于CLEAN算法的特征提取方法,提取了一种描述目标多普勒谱能量分布的能量比特征。基于实测数据使用相关向量机(RVM)和支持向量机(SVM)的识别结果表明该特征具有较好的识别性能,同时对目标速度具有稳健性。     

典型地面车辆目标SAR图像仿真与评估

典型地面车辆目标SAR图像仿真对SAR图像解译和目标识别具有重要意义。在光学区目标雷达散射截面仿真基础上,研究实现了典型地面车辆目标SAR图像仿真技术,给出了坦克目标的SAR图像仿真结果。在此基础上,进一步研究了SAR图像仿真性能评估技术,在目视定性评估的基础上,引入了两个面向SAR图像解译与目标识别的SAR图像仿真性能定量评估指标。最后,通过目标仿真SAR图像与MSTAR实测SAR图像的比对,对仿真性能进行了定性、定量的分析与评估,验证了方法的有效性。     

基于微多普勒效应和AR模型的车辆目标分类方法

轮式车辆和履带式车辆的分类是地面目标识别的难点之一.车轮旋转和履带的运动是典型的微动,其产生的微多普勒特征可作为两类车辆目标分类的重要依据.首先,针对短驻留条件下两类车辆目标的雷达回波,分析了两类目标不同微动导致的微多普勒特征差异;其次,基于目标回波短时平稳相关的性质,建立了目标回波的AR模型,采用前后向预测方法得到相应的AR模型系数,提出基于AR模型系数的车辆目标分类方法,并给出AR模型阶数的判定方法,对比了前后向预测系数特征与前向预测系数特征的可分性.最后,结合两类目标的实测数据,在回波预处理的基础上,通过提取实际回波数据的AR模型系数实现了车辆目标的分类,验证了方法的有效性和稳健性.     

基于MSE和Burg的两步目标识别分类器研究

SAR目标分类识别是现代战场侦察的重要组成部分,SAR目标分类问题是目标识别的关键步骤之一,对目标识别等很多后续的应用有较大的影响,因此研究SAR图像目标分类技术具有非常重要的意义。针对这一研究热点,结合MSE匹配方法和超分辨Burg算法,提出一种两步分类器,采用该两步分类器对实测SAR图像进行了目标分类识别实验,取得较好的识别效果。     

分析雷达信号多卜勒频率新技术

一、背景陆军地面侦察雷达性能的长远目标是对战场上的地面运动目标进行自动分类。已经实现的有限分类方法,是把雷达的多卜勒频谱分成较低和较高的频段,以区分径向速度不同的目标。虽然这是一个重要特征,但因只有某些目标(车辆)才能获得高的径向速度,所以不能区分行人和具有低径向速度分量的车辆。     

基于TMS320F2812的目标检测方法研究

目标分类识别的关键在于对目标分类特征的提取和高品质的目标检测方法的应用。传统的利用单一传感器进行目标信息的采集并对目标进行检测的方法,目标分类能力不强,不能处理现实环境存在的各种情况。本文通过分析声传感器和目标特征提取方法,介绍并比较了各信息融合方法的优缺点,采用神经元网络方法运用于多传感器地面目标检测系统,并最终运用K-NN聚类算法对声信号进行分类,从而较好的实现了对地面目标的检测和分类。     

基于投影降维的激光雷达快速目标识别

激光雷达可以获得目标的三维形状信息,是复杂地面背景下车辆识别的有效手段。提出了一种基于投影降维的快速激光雷达目标识别方法,对检测后提取的疑似目标三维点云数据进行投影降维,得到数字表面模型(DSM)数据,根据轮廓相似性度量值以及尺寸相似度量值构成的组合识别准则进行目标识别。采用8组地面装甲目标的仿真点云数据进行实验,实验表明算法的目标型号识别率高于90%,实时性远优于传统算法。针对实际应用需求,进一步研究了点云空间分辨率,激光雷达成像系统误差对目标识别的影响。     

一种基于监控视频的出租车识别方法

研究了一种基于视频监控的出租车识别算法.对已经完成跟踪的车辆,通过提取车辆的方向梯度直方图(HOG)特征,作为支持向量机(SVM)分类检测的输入,进行车辆是否为出租车的分类识别.通过多窗口投票机制,增强了分类识别算法的准确性与鲁棒性.实验证明,该方法能准确进行出租车的分类识别,基于实际的标清监控视频,出租车的分类准确率达到90％左右.     

地面车辆目标高质量SAR图像快速仿真方法

为满足基于模板的SAR地面车辆目标识别对海量高质量模板图像的工程应用需求,该文提出了一种基于射线追踪技术的SAR信号级高效仿真方法.该方法通过构建地面车辆目标SAR仿真场景物理模型并利用射线追踪方法准确模拟SAR探测过程中电磁波与场景中目标与环境的作用机理,实现对地面环境的宽带相干杂波、表面粗糙的复杂目标的宽带电磁散射以及地面-目标间耦合散射的快速计算,并通过SAR成像处理和图像相似度评估确认形成高质量SAR模板图像.数值结果验证了该文方法的准确性和高效性.      

地面运动目标振动信号的特性分析与目标识别

地面目标振动信号的特征提取是进行目标识别技术的关键,针对人员行走、车辆行驶等地面目标运动时产生的振动信号,首先进行实验测试建立包含反映目标属性特征信息的信号样本数据库,然后通过过零数分析方法得到信号的时域特征,实现了单人与车辆的目标识别,最后采用Welch谱分析法对信号进行了频域分析并实现了单人与多人的目标识别。实验表明这两种方法简便、易实现,有较好的识别效果。     

低分辨机载雷达空地运动目标的分类识别算法

分类识别技术是雷达当今和未来发展的重要需求,也是雷达的关键技术之一。目前研究较多的是基于宽带信号的目标识别,对雷达系统和目标信噪比具有较高的要求,且对角度非常敏感。针对低分辨机载雷达工作在下视模式下,慢速飞行目标和地面运动目标由于具有相似的多普勒速度和雷达散射截面(RCS),使得其对机载雷达慢速飞行目标检测、跟踪和识别形成干扰,该文提出了一种基于窄带分形和相位调制特征的机载雷达空地运动目标分类识别算法。文中以实测试飞数据进行分析验证,以支持向量机(SVM)为分类器,试验结果表明,该方法能对机载雷达直升机、汽车运动目标进行有效分类识别,当SNR 15 dB 时,平均分类识别率在89%以上。      

基于组合矩的激光成像雷达目标识别算法

随着激光技术的发展,激光成像雷达在现代战争复杂战场环境中逐渐获得了广泛的应用,目前激光成像雷达自动目标识别技术已成为国内外研究的热点问题。提出了基于组合矩的激光成像雷达目标识别算法,从激光成像雷达目标的距离像中提取低阶的Zernike矩、Hu矩和中心矩构成组合矩特征,该特征对距离像噪声不敏感,应用径向基函数(RBF)神经网络对三种地面目标进行分类识别。实验结果表明,该算法与应用Zernike矩和Hu矩特征进行分类识别相比,对三种激光成像雷达地面目标的平均识别率在高载噪比(20dB)下分别提高了1.0%和3.7%;在低载噪比(10dB)下分别提高了11.8%和42.5%;当载噪比高于17dB时,该算法的平均识别率达到100%。因此该算法取得了比较好的识别效果。     

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.     

一种面向方位敏感性的PCA-SVM分类识别方法

研究适用于小样本库的SAR地面目标分类识别方法一直是SAR目标识别领域的热点和难点。针对SAR图像地面目标特征数据维数较高、识别率低下的问题,在分析了SAR地面目标对方位具有敏感性基础上,提出了一种面向方位敏感性的PCA-SVM分类方法,通过在训练SVM分类器中引入方位角信息,使得训练后的SVM分类器对方位角敏感。实验结果表明,与传统的SVM分类方法相比,该方法对SAR图像的地面目标具有较高的分类识别率和运行效率。     

地面红外目标图像识别方法研究

红外成像自动目标识别是精确制导武器的重要研究内容.针对地面复杂背景条件下,目标难以检测识别的问题,在分析地面目标红外图像场景的基础上,首先利用形态学技术对图像进行去噪和抑制背景,采用Otsu法对图像进行阈值分割并用形态学技术消除虚警目标点,用扩展像素标记法对图像进行区域标记,然后提取目标形状、矩和统计分布三类特征作为识别特征,并采用模糊综合评判方法识别目标.对实地拍摄的100幅坦克目标红外图像进行了识别实验,结果表明,该方法在坦克的典型作战环境下具有较强的抗噪性能和抑制背景结构干扰的能力,能有效识别出目标,并且易于用并行处理和硬件实现.     

球载雷达目标分类与识别技术研究

讨论了可用于球载雷达的目标分类与识别方法,分析了这些方法的特点、适用范围和使用条件。特别对利用多路径回波信息进行地面动目标和空中运动目标的分类进行了具体的分析。球载雷达目标识别比其他雷达更复杂,需要结合实测的雷达数据修正现有的方法,以提高雷达目标的分类与识别概率。