复杂场景下结合SIFT与核稀疏表示的交通目标分类识别

针对复杂场景下的交通目标分类识别难点,提出一种基于尺度不变特征转换(SIFT)与核稀疏表示的分类识别算法.该算法首先利用SIFT分别提取训练样本和待测目标局部特征信息,通过核方法将特征样本映射到核空间,构建过完备字典,最后通过待测目标在字典中的稀疏度与重构误差对交通目标类别进行判定.同时,分析了随机投影下的核稀疏表示分类与特征维数之间的关系.实验结果表明,与SVM、稀疏表示分类(SRC)相比,该方法增强了交通目标特征层的类判别能力,具有较好的识别率和鲁棒性.     

自适应核协同表示在SAR目标识别中的应用

针对合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别中方位角差距大的训练样本之间存在干扰的问题,对传统协同表示字典进行了改进,得到更适应于当前测试样本且能够降低弱相关原子对系统影响的自适应字典,基于此提出了一种自适应原子选择的核函数变换协同表示算法,并在美国DARPA中的运动和静止目标获取与识别计划公开发布的SAR图像数据库上进行了验证实验.实验结果表明,相较于基于全部训练样本字典的核协同表示模型,基于自适应原子选择的核协同表示方法降低了干扰原子的不良影响,提高了对SAR目标识别的可靠性和鲁棒性.     

基于核相关滤波器的SAR车辆目标检测与识别痧

针对合成孔径雷达(Synthetic Aperture Radar, SAR)目标检测与识别方法对目标方位角敏感的问题,该文基于相关滤波器理论与核特征分析方法,提出一种对SAR目标方位角具有较强鲁棒性的核相关滤波器.该滤波器使用特征向量降低了对训练图像的依赖性,利用目标在非线性空间的高维特征提高了识别能力,并利用核函数解决了高维矢量的内积计算问题.MSTAR实测SAR图像数据的对比实验结果表明,该文所提出的滤波器在低虚警概率下,能够保持较高的检测概率,并且对目标方位角失真具有较强的容忍性,不需要存储目标模板和估计目标方位角,就能够实现高准确率的目标检测与识别.     

基于核相关滤波器的SAR车辆目标检测与识别

针对合成孔径雷达(Synthetic Aperture Radar, SAR)目标检测与识别方法对目标方位角敏感的问题,该文基于相关滤波器理论与核特征分析方法,提出一种对SAR目标方位角具有较强鲁棒性的核相关滤波器。该滤波器使用特征向量降低了对训练图像的依赖性,利用目标在非线性空间的高维特征提高了识别能力,并利用核函数解决了高维矢量的内积计算问题。MSTAR实测SAR图像数据的对比实验结果表明,该文所提出的滤波器在低虚警概率下,能够保持较高的检测概率,并且对目标方位角失真具有较强的容忍性,不需要存储目标模板和估计目标方位角,就能够实现高准确率的目标检测与识别。     

基于核Fisher判别字典学习的稀疏表示分类

在基于稀疏表示分类的模式识别中,字典学习(DL) 可以为稀疏表示获得更为精简的数据表示。最近的基于Fisher判别的字典学习(FDDL)可以学 习到更加判别的稀疏字典,使得稀疏表示分类具有很强的识别性能。核空间变换可以学习到 非线性结构信息,这对判别分类非常有用。为了充分利用 核空间特性以学习更加判别的稀疏字典来提升最终的识别性能,在FDDL的基础上,提出了两 种核化的稀疏表示DL方法。首先原始训练数据被投影到高维核空间,进行基于Fisher 判别的核稀 疏表示DLFDKDL;其次在稀疏系数上附加核Fisher约束,进行基于核Fisher判别的核稀疏表 示DL(KFDKDL),使得所学习的字典具有更强的判别能力。在多个公开的图像数据库上的稀疏 表示分类实验结果验证了所提出的FDKDL和KFDKDL方法的有效性。     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的 SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域 SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进 OMP 算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99％,并且在含噪比10％的情况下识别率仍达96％。     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进OMP算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99%,并且在含噪比10%的情况下识别率仍达96%。     

基于模糊核Fisher判别的雷达距离像识别研究

核Fisher判别分析(KFDA)既具有核技巧的非线性描述能力,又继承了线性Fisher判别分析(FDA)的优点,其在非线性判别方面表现出很好的识别性能。尝试把训练核样本的模糊隶属度信息完全融入到核散布矩阵的计算中,使得KFDA在提取原始训练样本非线性特征的同时,又可以提取到训练核样本的隶属度信息,并且把这种方法应用到雷达一维距离像识别中,实验证明其取得了很好的识别效果。     

一种基于散射特征增强的SAR目标电磁仿真图像质量提升方法

现阶段深度学习算法在对合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别时，通常面临着实测数据部分样本缺失的情况，利用电磁仿真数据进行辅助识别是有效途径之一。然而，仿真和实测数据存在不可避免的差异，现有仿真图像质量提升方法更关注仿真和实测图像整体风格的相似性，忽略了面向识别的目标散射特征的重要性。针对上述问题，本文提出了一种基于散射特征增强的SAR目标电磁仿真图像质量提升方法。该方法在循环生成对抗网络（Cycle Generative Adversarial Networks,CycleGAN）框架下，改进损失函数，一方面使用最小二乘损失函数替代交叉熵损失函数，避免了梯度消失，实现对目标纹理结构特征的迭代优化；另一方面引入MS-SSIM-L1损失函数，更好地保留生成图像的细节信息和结构轮廓，保持目标整体结构一致性，同时有效避免模型的过度学习。基于4类车辆目标仿真数据集和MSTAR实测数据集，利用目标轮廓、阴影轮廓和目标强度特征相似度指标，验证了本文方法增强了目标细节纹理和结构轮廓等散射特征。在此基础上，结合A-ConvNets网络开展了目标分类识别实验，相...     

基于优化核Fisher判别分析的雷达目标识别

针对雷达目标高分辨距离像非线性可分和高特征维数的特点,提出一种基于优化核Fisher判别分析的雷达目标识别方法.该方法利用Fisher判别准则下界作为目标函数对核Fisher判别分析进行核参数优化,再利用支持向量机训练和识别由核Fisher判别分析提取的高分辨距离像特征.基于5种飞机目标的仿真实验表明,优化核Fisher判别分析可以有效优化核参数并降低特征维数,具有稳定优异的识别性能.     

稀疏先验引导CNN学习的SAR图像目标识别方法

深度学习技术的应用给SAR图像目标识别带来了大幅度的性能提升,但其对实际应用中车辆目标局部部件的变化适应能力仍有待加强。利用数据内在先验知识,在高维语义特征中学习其内在的低维子空间结构,可以提升分类模型在车辆目标变体条件下的泛化性能。本文基于目标特征的稀疏性,提出了一种稀疏先验引导卷积神经网络（Convolution Neural Network,CNN）学习的SAR目标识别方法（CNN-TDDL）。首先,该方法利用CNN提取SAR图像目标的高维语义特征。其次,通过稀疏先验引导模块,利用特征稀疏性,对目标特征内在的低维子空间结构进行学习。分类任务驱动的字典学习层（Task-Driven Dictionary Learning,TDDL）将目标特征的低维子空间以稀疏编码的形式表示,再利用非负弹性正则网增强了稀疏编码的稳定性,使稀疏编码不仅有效地表征目标的低维子空间结构,并且能够提取更具判别性的类别特征。基于运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集以及仿真和实测配对和标记实验 （Synthetic and Measured Paired and Labeled Experiment,SAMPLE） 数据集的实验表明,相比于传统字典学习方法和典型深度学习方法,CNN-TDDL在MSTAR标准操作条件（Standard Operating Conditions, SOC）下识别精度提升0.85%~5.28%,型号识别精度提升3.97%以上,表现出更好的泛化性能。特征可视化分析表明稀疏先验引导模块显著提升了异类目标特征表示的可分性。      

采用热核特征的SAR图像目标识别

为了解决SAR图像受相干斑噪声干扰和震后发生形变而识别率偏低的问题,提出了一种新的仿射、形变不变特征-热核特征,并将该特征用于SAR图像目标识别.首先采用推广的核模糊C-均值方法分割SAR图像,提取SAR图像目标形状;接着对目标形状进行Delaunay三角剖分,采用余切权重法对Laplace-Beltrami Operator离散化,通过离散化Laplace-Beltrami Operator特征值、特征向量求每一点热核特征;然后采用谱距离公式对点点间热核距离计算,转化为距离分布表示目标形状的热核特征;最后采用L1相似性准则对图像进行相似性度量,得到识别结果.实验表明:与经典的Hu不变矩方法相比,对于仿射变换和发生形变的SAR图像,该方法都具有更高的识别率.因此,基于热核特征的SAR图像识别方法是一种更加有效的识别方法.     

一种应用于人脸识别的核正交等度规映射算法

针对人脸识别中的特征提取,提出了一种新的核正交等度规映射(KOIsoP,kernel orthogonal isometric projection)人脸识别算法。首先用核方法提取人脸图像中的非线性信息,并将其投影在一个高维非线性空间,从而更好地提取人脸非线性流形结构信息。然后通过等度规映射做一线性映射得到基向量。最后正交化得到的基向量,使得算法更利于保留人脸非线性子流形空间与距离有关的结构信息和重构样本,以便获得更好的识别效果。ORL和PIE库上的人脸识别实验验证了算法的有效性。     

基于KPCA和稀疏表示的SAR目标识别方法

提出了一种基于KPCA（Kernel Principal Component Analysis）和稀疏表示的合成孔径雷达（Synthetic Aperture Rader,SAR）目标识别方法。该方法首先利用KPCA方法提取样本特征,然后在特征空间内构造稀疏表示模型,通过梯度投影法（Gradient Projection for Sparse Reconstruction,GPSR）求得测试样本的稀疏系数,最后根据稀疏系数的能量特征实现分类识别。利用美国运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition ,MSTAR）实测SAR数据进行实验,实验结果表明该方法在方位角未知的情况下平均识别率达到96.78%,能够明显的提高目标的识别结果,是一种有效的SAR目标识别方法。      

基于PGBN模型的SAR图像目标识别方法

特征提取是合成孔径雷达图像目标识别的关键步骤,也是难点之一。该文提出一种基于PGBN(Poisson Gamma Belief Network)模型的SAR图像目标识别方法。PGBN模型作为一种深层贝叶斯生成网络,利用伽马分布具有的高度非线性,从复杂的SAR图像数据中获得了更具结构化的多层特征表示,这种多层特征表示有效提高了SAR图像目标识别性能。为了获得更高的训练效率和识别率,该文进一步采用朴素贝叶斯准则提出了一种对PGBN模型进行分类的方法。实验采用MSTAR的3类目标数据进行了验证,结果表明通过该方法提取的特征有更好的结构信息,对SAR图像目标识别具有较好的性能。     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。