基于图像信息和BP网络的机器人目标识别技术研究

自主移动机器人的目标识别问题是应用视觉研究的焦点之一.本文以自主型足球机器人的目标识别问题为研究对象,应用BP网络对包括足球机器人常规识别目标在内的10种目标进行了识别.从而扩展了自主机器人的目标识别范围,为主动视觉中的目标识别问题提供了一种新的解决思路.实验结果验证了这种识别算法的有效性.     

长视距空战中可疑目标的快速识别模型仿真

研究长视距空战中可疑目标的快速识别问题,由于在长视距空战中,可疑目标与空中识别设备之间存在较长的距离,采集目标比较弱小,特征模糊.目标一旦过于接近,会形成堆积盲区,传统的识别方法在遇到远距离可疑目标时,由于距离太远,会出现目标堆积盲区,导致对目标分割出现错误,无法准确识别目标.为解决上述问题,提出采用主成分聚类算法的长视距空战中可疑目标的快速识别方法.针对可疑目标采集大量的计算机视觉图像,提取计算机视觉图像中可疑目标的特征,将上述特征作为可疑目标识别的依据.针对所有的可疑目标识别特征,进行可疑目标的快速识别,并对识别到的可疑目标进行累加运算,实现可疑目标的智能识别.实验结果表明,利用改进算法进行长视距空战中可疑目标的快速识别,能够极大的提高识别的准确性.     

基于D-S理论的多传感器目标识别能力分析

通过分析待识别目标类型与结果类型的差别,确定以目标正确识别概率、目标错误识别概率和目标无法识别概率来度量传感器的目标识别能力。鉴于各传感器的识别结果概率之间的证据冲突,给出了一种通过与准理想结果的距离大小来确定信任权重的方法,并依据信任权重重新调整各证据的概率分配,实现冲突证据的预处理,然后使用Dempster规则对各传感器的识别结果概率进行组合,从而确定了多传感器的目标识别能力的度量模型,实例证明给出的目标识别能力度量方法是有效可行的。     

面向视频数据的深度学习目标识别算法综述

目标识别是计算机视觉领域的一大挑战,随着深度学习的发展,目标识别算法被广泛应用于视频数据中目标的识别和监测。对现有目标识别算法进行归纳,根据是否采用锚点机制将主流算法分为Anchor-Based和Anchor-Free两大类。针对R-CNN、SPP-Net、SSD、YOLOv2等Anchor-Based类目标识别算法,从候选框创建、特征提取和结果生成角度分析基于区域和基于回归的目标识别算法的区别和各自优势。针对CornerNet、ExtremeNet、CenterNet、FCOS等Anchor-Free类目标识别算法,从特征提取、关键点选择/层次结构和结果生成角度分析基于关键点和基于特征金字塔的目标识别算法的区别和各自优势。在此基础上,以识别效率和识别精度为评价指标,对Faster R-CNN、Mask R-CNN、SSD等8种代表性目标识别算法进行对比总结。最后,针对目标识别算法中的数据预处理耗时长、多尺度特征同步识别精度低、结构繁杂等问题,对当前研究的不足和未来研究方向进行分析和展望。     

隐马尔可夫模型下基于SIFT特征的局部遮挡目标识别

提出一种利用隐马尔可夫模型建立目标特征匹配库来识别图像中局部遮挡目标的新方法。该方法首先通过SIFT算法提取目标SIFT特征,然后采用隐马尔可夫模型对目标所有的SIFT特征进行训练,得到目标SIFT特征对应的模型输出概率范围,将该概率范围作为目标特征匹配库。在对图像中的目标进行识别时,利用目标特征匹配库可以把目标特征从图像所有特征中识别出来,即使目标遮挡比例为60%时,该方法仍能识别出目标。实验结果表明,新方法可以精准地识别出图像中被遮挡目标,能够很好地解决遮挡情况下的目标识别问题。与现有局部遮挡目标识别算法相比,新方法所取得的目标识别率均有所提高。     

基于线性IFTS 的弹道中段目标融合识别方法

针对弹道中段目标识别时间资源有限的问题,提出一种基于线性直觉模糊时间序列的目标融合识别方法.新模型通过直觉模糊线性相关函数表征弹道中段目标识别信息的实时模糊变化特性,构建目标识别结果的时序变化模型,将目标识别转换为直觉模糊时序变量间的寻优拟合问题,缩短了目标正确识别时间,提高了系统的识别效率.最后通过仿真实例验证了所提出方法的有效性和优越性.     

利用图像校正的快速目标识别算法

提出了一种基于图像校正的快速目标识别算法,特别适合于航拍照片中地面上面目标的识别。算法可以使目标模型单一化,在很大程度上克服了目标识别模型复杂、数据运算量大、计算实时性差等缺点,提高了目标识别的实时性和精确性。首先对图像进行感兴趣区域的检测;对检测出的区域进行图像的正视校正;然后对校正后的区域进行特征提取;最后进行目标识别,并输出目标信息,完成识别过程。实验表明,该算法用于大倾角航片目标识别是有发展潜力和前途的。     

水平集分割方法在合成孔径雷达图像目标识别中的应用

正确分割目标、提取目标的有效特征是合成孔径雷达图像目标识别中的一个关键问题。将水平集图像分割方法应用于合成孔径雷达图像目标识别,将目标图像中的目标区和阴影区从背景杂波中分割出来,其中目标区的形状作为目标的有效特征用于基于模板匹配的目标识别中。用MSTAR数据库中的3类目标的图像数据对该方法进行验证和分析,实验结果表明,在基于模板匹配的目标识别中,该分割方法可提取出有效的目标形状特征,实现目标的正确识别。      

一种利用多传感器进行目标识别的方法

针对传统单传感器目标识别利用目标信息有限、识别结果可靠性不高等缺陷 ,提出一种利用多传感器进行目标识别方法 ,这种方法充分利用了目标多重特征的信息 ,并考虑了不同特征信息在目标识别中的重要程度 ,从而得到更为接近实际效果的识别结果     

基于支持向量机的图像飞机目标自动识别算法研究

为了能够快速、准确地识别飞机目标,文章给出了一种基于支持向量机的飞机目标自动识别方法;采用Touzi边缘提取,得到目标形状参数的几何特征,Hu不变矩等16个特征矢量作为SVM的训练样本,通过SVM训练得到飞机目标识别模型,从而完成飞机目标的自动识别;试验结果显示.该算法对不同尺度和模糊程度的飞机目标的识别度可达99%;该算法减少了样本训练时间,在提高识别准确率的同时降低了算法的复杂度,具有识别度高、识别速度快的特点,可用于飞机目标的快速识别。     

基于BP神经网络的红外目标识别技术

论文主要研究的是基于BP神经网络的红外目标识别技术,红外目标的检测识别是红外搜索与跟踪系统、精确制导系统、红外预警系统等的一项核心技术.论文重点是介绍对空中飞机目标的识别,空中目标识别是防空作战辅助决策的关键环节之一.根据红外目标的各种属性,提取构建样本特征库,从而建立基于BP神经网络原理的空中目标识别模型.利用BP神经网络的训练函数采集样本特征数据,得到稳定的权值和阈值,为后续的目标识别分类提供依据.该模型主要利用神经网络的记忆、联想、容错功能,进一步提高目标识别的稳定性和可信度,降低了个别误判而造成目标识别错误的概率.     

机载雷达图像目标识别模型仿真研究

机载视觉雷达对目标准确标识别,关系到航空领域的安全.机载视觉雷达的目标识别多是高空作业,识别的目标图像信息易受到飞机倾斜角度、高空外部噪声干扰、机身异常抖动、被测物体的抖动和采样速度过低等因素的干扰,使得识别目标区域模糊,可识别特征发生严重衰减.传统机载视觉雷达的目标识别方法中,在运动状态下对高空目标的图像衰减特征分割一直很困难,分割过程会出现过分割和欠分割的问题,导致目标识别结果不理想.提出采用机载视觉雷达倾斜状态下的目标识别方法,得到图像中对地目标的运行速度,通过雷达视场距离的标定成像几何原理,将地面目标三维场景投射到二维象平面中,并采用数据链驱动无缝集成模式来运算识别地面目标的实际数量,获取准确的塔机目标识别检测结果.实验结果说明,所提机载视觉雷达倾斜状态下的目标识别模型获取的地面目标识别更加准确,并且具有较高的检测效率和精度.     

基于图像处理的舰船目标识别研究

针对海战场图像信息的目标检测与识别问题,论文提出一种基于 D‐S（Dempster‐Shafer）的海上舰船图像目标多特征信息融合识别方法。该方法包括三个主要内容：1）建立以舰船目标的几何特征为证据源的 D‐S 融合识别模型,这些特征计算简单,容易获取,且在舰船目标识别时具有良好的区分性;2）针对不同舰船特征,获取每个特征的基本信度赋值;3）根据舰船目标识别模型的特点,分析不同的比例冲突分配规则对舰船目标识别的鲁棒性,采用适于舰船目标识别的比例冲突分配规则。实验结果表明在舰船目标的识别中,该方法具有较高的识别精度。     

基于全局和局部特征的目标识别研究

为提高目标识别的准确性和快速性,提出了基于全局和局部特征对目标识别的方法。基于颜色直方图提取全局颜色特征,利用多尺度空间来表达目标的局部特征,最后将全局和局部特征进行数据融合得到图像的识别结果。实验结果表明,该方法很好地结合了目标的整体和局部信息,能有效地识别目标,且识别效果优于单一的全局特征和局部特征的识别效果。     

稀疏编码树框架下的SAR目标识别

为了提高利用合成孔径雷达(synthetic aperture radar,SAR)图像对目标型号识别的能力,在稀疏表示识别方法的基础上,提出了一种树形框架稀疏编码的雷达目标识别方法。稀疏编码树是由多个节点构成的分类器,其上每个节点由不同识别需求的子分类器构成。在训练阶段,分别针对目标型号识别需求以及型号识别需求学习相应分类器,组成分类器的根节点和子节点。识别阶段在根节点位置完成对目标类别的判断,再根据根节点的判断结果,对存在型号变体的目标,在子节点上再对型号进行识别,最终输出目标的识别结果,而不存在型号变体的目标则直接输出识别结果。基于美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition,MSTAR)计划录取的SAR图像数据集上的实验结果表明,树形结构在取得与主流方法相当的目标类别识别精度的前提下,提高了对目标型号的识别能力,同时能够准确输出目标类别识别结果。     

全自动共晶粘片机实时多目标识别的实现

模板匹配是非常成熟的单目标识别算法,它可以找出与模板匹配得最佳的目标。然而如果将经典的模板匹配算法直接用于多目标识别,由于目标的数量无法预测,经常出现误识别、漏识别的现象。为了实现全自动粘片机中对多目标的高速识别,本文介绍一种基于边缘检测和模板匹配相结合的多目标识别算法,该算法克服了经典的模板匹配算法的不足。实验证明该算法成功的解决了粘片机中对多目标实时识别的问题,达到或超过了设计指标。     

无人机障碍探测与识别技术研究

首先介绍了无人机障碍探测与识别的发展现状及所面临的难点;在目标探测方面,介绍了合成孔径雷达的分类,重点阐述了合成孔径雷达的成像原理及各算法的优缺点,简要论述了合成孔径雷达今后的发展趋势;在目标识别方面,介绍了目标识别的原理和人工智能神经网络应用于目标识别的优点,对当前雷达信号领域内的主要目标识别算法进行了比较,分析了其优缺点;最后对无人机障碍探测识别技术进行了总结和展望.     

遥感图像目标多尺度特征分析

地面目标在不同尺度的遥感影像中表现出不同的特征,对自动目标识别的准确性有很大影响。基于多分辨率遥感影像,研究典型图像目标的识别技术,给出了多尺度图像目标识别框架。首先针对不同尺度的遥感影像,分析了每个尺度上目标识别的有效特征。然后在提取典型目标的多种特征基础上,对这些特征进行尺度相关性分析,并研究不同的尺度对目标形状结构等特征产生的影响。实验结果表明,基于多分辨率遥感影像的识别框架可以有效地实现图像目标的分析与识别。     

微型航天探测器目标识别算法研究

微型航天目标探测器主要是对空间目标探测识别,然而在微型航天探测器在空间对目标物成像时目标物、背景和探测器之间存在相对运动,目前还没有好的运动背景中运动目标识别的算法.因此,针对微型航天探测器在星空背景下对目标物识别的要求,提出了把图像配准与双差分法相结合目标识别的算法.该算法对连续采集的三帧图像中的前两帧和后两帧分别进行配准,差分,二值化,然后将两副二值化图像逻辑乘,识别出目标.计算机仿真的结果表明该算法计算量比较小,对目标的识别效果好.因而,基于图像配准的双差分法是一个相对较好适用于微型航天探测器对空间目标探测识别的算法.     

显微图象中目标对象的识别

研究了显微图象中目标对象的识别问题。首先比较了显微图象和宏观图象之间的区别,总结了大部分显微图象具有的一般特征,讨论了宏观图象处理方法用于显微图象时存在的缺陷。然后提出了一种目标对象识别的新方法,该方法利用最优颜色通道识别显微图象中的目标对象,动态地调节识别阈值,减少了误识别象素的数量。对残存的误识别象素和脏点象素采用面积滤波的方式去除,进一步提高识别的效果。该文通过实验,识别了几种显微图象中的目标对象,实验发现,使用这一方法不仅能够提取背景中的目标对象,还可以大量减少误识别象素和脏点象素,说明该方法用于显微图象中目标对象的识别具有一定的优点。