雷达目标三维特征的提取与识别研究

以逆合成孔径雷达(ISAR)成像技术和计算机视觉理论为基础，提出了一套新的从动态目标ISAR成像序列中提取目标散射点三维结构信息，以此作为目标特征的识别方法。这一研究方法包含了4个重要环节：动态目标的ISAR像序列的获得；“散射点像元”质心的检测、跟踪和匹配；基于光流分析的目标散射点三维结构特征的提取；目标三维特征的识别。由于经过了时间和空间上信息的积累，目标的散射点的三维结构特征具有稳定和直观的特点。作为一种新的目标识别的依据是很有效的，且只需要较少的训练样本就可以获得较高的识别率。     

基于三维激光点云的运动图像动态目标识别方法

当前的动态目标识别方法在场景复杂的图像中,因为无法采集足够多的特征信息,导致识别结果应用性受限。基于三维激光点云提出一种运动图像动态目标识别方法。利用三维扫描系统获取运动点云图像特征,在不影响有效信息采集的情况下,进行图像预处理;引入地平面方程,将图像背景点云与被识别目标点云通过欧式聚类法分割,提取处理后的被识别目标关键点,并采用Freeman链码检测边缘特征,完成运动图像动态目标识别。试验对比结果表明,所研究基于三维激光点云的运动图像动态目标识别方法,对动态目标有良好的鉴别能力及较好的识别精度,且所需动态目标识别时间较短。     

基于交叉自注意力机制的LiDAR点云三维目标检测

针对基于深度学习的激光雷达(light detection and ranging, LiDAR)点云三维(3D)目标检测对小目标的检测精度较低和噪声干扰问题,提出一种基于交叉自注意力机制的3D点云目标检测方法CSA-RCNN (cross self-attention region convolutional neural network)。利用交叉自注意力(cross self-attention, CSA)同时学习点云的坐标和特征,并设计多尺度融合(multi-scale fusion, MF)模块自适应捕捉各层级多尺度特征。此外,还设计重叠采样策略对感兴趣目标区域选择性地重采样以获得更多前景点,有效降低了噪声采样。在广泛使用的KITTI数据集上进行算法性能测试,结果表明,本文方法对行人等小目标的检测精度有较大提升,平均精度均值相比PointRCNN等4种经典算法均获得提升,显著提高3D点云目标的检测性能。     

基于注意力机制的三维点云目标识别

针对现有基于深度学习方法的三维点云目标识别算法存在多层感知法缺少点间的特征交互、对点云间欧式距离的依赖、未考虑特征通道层面关联性问题,提出一种基于注意力机制的三维点云(PAttenCls)目标识别算法。采用基于点的空间注意力机制,挖掘各点之间的注意力值,实现自适应的云邻域选择;同时采用基于点的通道注意力机制,给特征通道自适应分配权重,实现特征增强。此外,在网络中添加了一个几何均匀化模块,以应对不同局部区域几何结构的不同特征模式。所提算法在ModelNet40数据集上的识别准确率为93.2%,在ScanObjectNN数据集最难子集上的识别准确率为80.9%,并在实测数据上验证了算法的有效性。实验证明了本文所提算法可以更好地提取点云的特征信息,使点云识别结果更加精准。     

基于矩特征的三维飞机目标识别

本文介绍了利用矩特征从二维数字图像识别三维物体的方法。利用不变矩和标准矩对五种不同的飞机目标进行了识别，比较了这二种特征的性能，并且分析了特征数目对识别正确率的影响和矩特征在离散情况下的尺度拉伸不变性。研究结果表明利用三阶标准矩并结合方差平衡的特征处理技术可有效地实现对目标的识别。     

基于自旋图的三维自动目标识别

将三维表面匹配领域的自旋图(spin-images)方法运用于扫描激光雷达自动目标识别中,基于自旋图特征,提出了平均最大相似性度量、候选对应关系数目、几何一致性筛选后对应关系数目、分组筛选后最大组的对应关系数目这4个识别指标,并将其组合构成组合识别准则,从而进行三维目标识别。同时针对实际应用需求,进一步研究了点云空间分辨率、激光雷达测距误差以及遮挡对目标识别率的影响,为激光雷达三维目标识别系统的设计提供了参考。     

基于体积特征的空间目标识别算法

提出了基于体积特征的空间目标识别算法，首先通过高分辨力单脉冲雷达对空间目标进行三维成像，然后提取空间目标的三维像体积特征，由于卫星的体积通常比碎片大，根据空间目标的三维像体积可以实现对卫星和碎片的识别。计算机仿真实验表明，该算法取得了比较好的识别效果。     

基于特征点和关键点提取的点云数据压缩方法

针对采集到的点云数据中含有大量的冗余数据,为后期数据处理及其应用带来诸多不便,而采用现有通用压缩方法压缩后的点云容易造成细节特征丢失问题,为此,本文提出一种基于特征点和SIFT关键点提取的点云数据压缩方法。该方法的核心技术是首先根据查询点与邻域中的点所构成向量的夹角而提取边界点;然后根据点云数据的曲率和法向量夹角提取尖锐点,据此使特征点在点云压缩处理过程中得到绝对被保留;同时在平坦区域提取SIFT关键点,这样能避免在曲率变化缓慢区域所保留的并不是特征点;最后融合特征点和SIFT关键点而实现对点云数据的压缩处理。研究通过设计与现有两种基于曲率压缩方法进行对比实验分析,结果表明本文所提方法既能最大量的去除冗余数据,又能保留点云中大部分特征点,实现了点云数据的高质量压缩。     

基于立体视觉与特征匹配的点云目标识别算法

准确提取三维点云数据中待测目标的点云集合是三维点云目标识别技术的一个关键问题,也是近年来目标识别领域从二维向三维拓展的一个重要挑战,其主要难点在于快速寻找离散点云之间的相关函数关系。结合立体视觉与特征匹配构建了可以表征不同视场条件下的目标点云约束的机制,通过采用立体视觉作为约束条件完成了对原有特征匹配算法的优化。设计了基于立体视觉的估计算法,通过训练学习获得了不同选取比例条件下的识别规则。实验采用ARIES激光雷达采集点云,并通过MATLAB选取三种典型目标状态。当目标区分度高时,优化前后的目标识别率都在98%以上;当目标区分度低时,优化后对目标边界的限定条件可以很好地提高识别概率。采用优化的点云数据位置偏差量可达到0.55 mm,相比未优化的0.74 mm提高了0.19 mm。同时,优化后算法的收敛时间曲线要优于未优化的,3000点以上的收敛时间均值约为8.33 s,优于未优化的12.76 s。综上所述,优化后的算法具有更好的识别效率。     

基于深层-浅层双流学习图模型的无监督少样本红外空中目标识别网络

在军事空中目标识别领域,由于样本数量缺失,现有人工智能算法无法完成准确识别。文章利用已有足量辅助域图像辅助少样本应用域进行跨域目标识别,解决因标签缺失与样本稀疏导致的识别模型泛化能力不强及性能不佳问题。文章提出一种基于深层-浅层双流学习图模型（D-SLGM）的跨域目标识别算法。首先,提出一种深层-浅层双流特征提取算法,解决无监督少样本条件下特征表示困难的问题;同时,提出一种基于图模型的特征融合算法,实现特征间高精度融合;基于融合后的特征训练识别模型,提升算法的泛化能力。使用自建空中目标数据集,设计三种应用场景。实验结果表明,D-SLGM平均识别准确率均值达到78.2%,优于对比方法,在实际空中目标识别应用中具有较大潜力。     

基于三维彩色点云的物体识别算法

随着新一代深度传感器的出现,使用三维(3-D)数据成为物体识别研究的热点,而且提出了很多点云特征描述子.针对传统的采用点云形状特征描述子在目标描述方面的不足,提出了一种基于三维彩色点云的物体识别算法.首先提取点云数据的视点特征直方图(VFH)和颜色直方图(CH),然后对提取的形状特征和颜色特征分别通过支持向量机(SVM)进行预分类,最后将上述2个识别结果进行决策级融合.提出的算法在Washington RGB-D数据集进行训练和测试.结果表明,该方法与传统的采用点云形状特征描述子相比,其物体的正确识别率有了显著的提高.     

改进的基于结构光投影的三维物体识别

提出一种在识别后期采用修正的无零级条纹调节联合变换相关代替传统联合变换相关(CJTC)的新的识别方法.此方法在原基础上对功率谱作了一系列修正.理论分析、计算机模拟实验和对实物模型的识别实验结果都表明该方法不仅具有本征三维识别的特点,而且相对于CJTC而言其能够抑制相关面上的中央零级项,很大程度上锐化了一级相关峰,明显地提高了信噪比和识别力.该方法进一步拓宽了三维物体识别的应用前景.     

基于子模式双向二维主成分分析的人脸识别

为了减轻人脸姿态、表情和光照条件等因素变化对识别率的影响,采用了一种子模式双向二维主成分分析(Sp-(2D)2PCA)的人脸识别新方法。该方法通过对原图像进行分块处理,能有效地抽取原图像的局部特征;同时,通过采用(2D)2PCA对分块得到的子图像矩阵直接进行特征抽取,避免了矩阵向量间的转化,能精确地计算协方差矩阵的特征向量,并能有效地降低特征维数。试验结果表明,在姿态、表情和光照条件变化的情况下,Sp-(2D)2PCA都具有较好的识别性能。     

Multi-view convolutional vision transformer for 3D object recognition

With the rapid development of three-dimensional (3D) vision technology and the increasing application of 3D objects, there is an urgent need for 3D object recognition in the fields of computer vision, virtual reality, and artificial intelligence robots. The view-based method projects 3D objects into two-dimensional (2D) images from different viewpoints and applies convolutional neural networks (CNN) to model the projected views. Although these methods have achieved excellent recognition performance, there is not sufficient information interaction between the features of different views in these methods. Inspired by the recent success achieved by vision transformer (ViT) in image recognition, we propose a hybrid network by taking advantage of CNN to extract multi-scale local information of each view, and of transformer to capture the relevance of multi-scale information between different views. To verify the effectiveness of our multi-view convolutional vision transformer (MVCVT), we conduct experiments on two public benchmarks, ModelNet40 and ModelNet10, and compare with those of some state-of-the-art methods. The final results show that MVCVT has competitive performance in 3D object recognition.     

基于时频特征的跳频信号调制识别

跳频信号在抗干扰方面具有良好的性能。准确识别跳频信号的调制方式,能够为判断敌我目标属性、干扰敌方信号等军事信息战提供有力支撑,但国内外对于跳频信号的调制识别仍存在很大空缺。本文提出一种基于时频特征的跳频信号调制识别方法,通过平滑伪魏格纳-维利分布(SPWVD)时频变换获取不同调制类型的跳频信号时频图像,将时频图像送入卷积神经网络(CNN)中进行特征提取及分类识别。仿真实验证明,本文CNN在低信噪比下取得了较好的识别效果。     

基于Kinect和金字塔特征的行为识别算法

提出了一种基于Kinect和金字塔特征的行为识别算法。在算法中,Kinect不仅能够获得RGB信息,还能获得与RGB信息对应的深度信息;而金字塔特征不仅描述了人体行为的全局形状和局部细节信息,而且还描述了人体行为的空间信息。通过不同核函数的支持向量机(SVM)分类器在具有挑战性的DHA数据集的试验结果表明,金字塔特征在RGB和深度图上都能获得令人满意的性能,且当深度特征和RGB特征融合时,其性能获得了进一步的提高,识别率达到96.2%,远高于一些具有代表性的行为描述子。     

Keystroke features recognition based on stable linear discriminant analysis

A novel keystroke features recognition method based on stable linear discriminant Analysis (SLDA) was put forward.First of all,it maximum the dispersion between different sequences,while minimizing the dispersion between the same sequence set,maintain the best discriminant characteristics of the keystroke sequences.Secondly,the local similarity graph between keystroke sequences is constructed,minimizing the dispersion of the local similarity sequences,to keep the local similarity of keystroke sequences.Finally,based on the principles above,the feature of keystroke sequences are extracted,and the nearest neighbor classification criterion is used to judge the outputs.The effectiveness of the proposed method is certified by experiment results.     

基于点云深度学习的3D目标检测

针对目前利用点云进行3D目标检测的研究较少和检测精度不高的问题,利用Frustum-Pointnets模型实现基于点云的3D目标检测,并在该模型的基础上进行改进,选用不同的激活函数和参数初始化方法进行组合对比,进一步提高模型的精度。实验表明:在选用Swish激活函数和He参数初始化方法时汽车平均检测精度提高了0.31 %,行人平均检测精度提高了0.41 %,骑车人平均检测精度提高了5.5 %。因此改进后的模型能有效提高检测的精度,使得模型能够应用在复杂的场景中。