基于纹理特征驱动AdaBoost算法的海面场景分类

为提高红外成像系统对场景的感知能力,对海面场景分类进行了研究,提出了一种基于纹理特征驱动AdaBoost算法的海面场景分类方法.该方法首先提取图像的纹理特征,然后引入AdaBoost算法进行最优特征选择,构建强分类器,最后通过二叉树结构实现对海面场景的多分类.实验结果表明:该方法适应能力强,对多种复杂的海面场景分类效果好.分类结果可为目标检测算法的选取以及复合制导的综合决策提供依据.     

关于变压器设计的技术经济基础问题

在社会主义经济条件下,获得最大的国民经济效果,这应该是变压器设计的主要目的。为此,本文将指出如何更加正确地选择损耗比ζ_o从技术经济观点给定ζ值时,即可根据公式(参考文献1)进行下列步骤的计算。1.确定短路电压有功分量的经济值式中C_x——     

充磁机的磁路分析与计算

充磁机是专供各类磁钢充磁用的装置。对国内几个厂家的充磁机的实测表明:极头之间气隙场强的测量值与理论计算值偏离较大。一般计算值比测量值大1～3倍。偏离的原因主要是计算时对极头的边缘效应和总柱之间的漏磁考虑的不当或末予考虑。本文对此提出考虑意见。充磁机的磁路分析充磁机按磁路类型分成两大类:一为对称分支磁路式,一为无分支磁路式(如图1所示)。不论那种类型,它们结构主要有两大部件:激励磁场的磁化线圈和传导磁通的磁路。     

基于深度学习的红外舰船目标识别

本文采用深度学习技术中的YOLOv3(You Only Look Once Version 3)目标识别算法对红外成像仪从海面采集的红外图像中舰船进行识别。红外成像仪采集图像的频率高达50帧/s,为了能减少网络计算时间,本文借鉴YOLOv3的一些思想,采用全卷积结构和LeakReLU激活函数重新设计一个轻量化的基础网络,以此加快检测速度。输出层根据采集回来的红外图像的特点采用Softmax算法回归,在提高检测速度的同时,也兼顾了检测精度。     

基于Mean Shift算法和NMI特征的目标跟踪算法研究

针对传统Mean shift跟踪算法对空中运动目标跟踪效果不理想的问题, 提出了基于Mean shift算法和归一化转动惯量(Normalized moment of inertia, NMI)特征的目标跟踪算法. 算法中引入了目标NMI特征, 建立了基于虚警概率最小原则和相似度二级判决门限的跟踪策略, 对目标模型进行更新. 同时利用卡尔曼滤波, 在目标被遮挡后进行估计预测. 实验表明该算法在空中运动目标存在较大形变、被遮挡等情况下, 能够进行实时、稳定跟踪.     

基于Harris算法的自适应双极性红外舰船目标检测

红外舰船目标检测是舰船目标自动识别与跟踪的关键技术之一。针对现有方法在舰船目标成像灰度呈现"双极性"(舰船亮度高于或低于背景)或多极性(舰船目标灰度分布不均匀)的情况下适应能力不足,提出了一种新的红外舰船目标检测方法。为抑制海空杂波干扰提高检测概率,对图像进行均值漂移滤波,利用行垂直方向梯度投影获得感兴趣区域,通过检测区域内目标角点实现舰船目标的自动检测。实验结果表明,该算法能够克服传统算法基于舰船亮度高于背景的假设,在舰船灰度呈现双极性或多级性的情况下获得较好的检测结果。