一种基于多分类器融合的双色红外成像目标识别方法

针对双色红外成像系统中的自动目标识别问题,提出了一种基于多分类器融合的红外目标识别方法.该方法首先提取目标的形状特征和面貌特征,并设计多个基于不同特征的分类器对目标进行分类;然后对各个分类器的目标分类结果进行决策级融合处理,并采用所提出的决策规则对多分类器融合分类结果进行处理得到最终的目标识别结果.该方法充分利用了目标在多传感器图像中的多种分类特征信息,提高了系统的目标识别效率和精确性.实验结果证实了该方法的有效性.     

基于互补特征层次决策融合的SAR目标识别方法

提出基于互补特征层次决策融合的合成孔径雷达(SAR)目标识别方法,该方法采用主成分分析特征、目标峰值和目标轮廓作为描述SAR图像的特征。三者对于目标的描述具有较强的互补性,从而为目标识别提供更多的鉴别力信息。在决策融合阶段,采用了层次推进的策略。第一级采用主成分分析特征,第二级采用峰值特征,第三级采用轮廓特征进行识别。当前一级得到可靠的识别结果时,下一级则无需进行。采用层次融合策略,大大提高了目标识别的效率,避免了不必要的重复识别过程。为了验证所提方法的有效性,基于MSTAR公共数据集进行了目标识别实验。     

基于多特征决策融合的SAR飞机识别

针对高分辨率SAR图像的飞机目标识别问题,提出了一种基于飞机几何特征、PCA特征、Hu不变矩等多特征决策融合的自动目标识别方案。针对飞机样本特点,分别提取飞机的几何长宽特征、PCA特征和Hu不变矩特征,使用三个支持向量机分类器分别对样本的三类特征进行预分类,然后采用基于等级的决策融合方法将预分类结果进行决策融合,输出最终的目标类别。实验过程中,随机选取一定百分比的样本进行训练,获得分类器模型,对全部的样本进行测试识别。通过实验发现,将几何特征、PCA特征和Hu不变矩特征的分类结果进行决策融合后,克服了单一特征决策的不准确性,有效地提高了每一类样本的识别准确率。     

基于遗传算法和BP模糊神经网络的红外步态识别

为了提高红外步态识别精度的目的,采用分别基于小波描述子特征的模糊分类器识别和基于体形平均灰度图特征的贝叶斯分类器识别,再进行基于遗传算法和BP模糊神经网络的多分类器融合识别的新方法。做了基于中科院红外步态数据库的识别仿真实验,获得识别率、等错误率和累积匹配分值的实验数据及对比结果,得到多分类器融合识别比单分类器识别提高约10%识别率,降低约10%等错误率,完全收敛阶数提高1倍多的结论。具有识别精度高、收敛速度快的特点。     

基于多特征融合的炮弹目标识别方法

针对现有的炮弹目标识别方法由于分类特征较单一以及分类器结构过于简单,导致雷达对炮弹目标识别率较低的问题,提出一种基于多特征融合的炮弹目标识别方法。通过提取炮弹目标的微多普勒特征,并将运动特征与微多普勒特征融合的结果作为目标识别的分类特征,构建支持向量机多分类器,实现炮弹目标识别,仿真结果验证了其有效性。     

基于Fisher判别和GKF-RELM算法的多特征步态模式识别

为提高下肢表面肌电信号步态识别的识别精度和计算效率,采用一种基于高斯核函数优化正则化超限学习机(GKF-RELM)算法,对肌电信号提取时域、频域和非线性动力学三类特征并分别计算步态识别率,运用Fisher判别函数分析所提特征的可分性,得到多类特征的融合特征作为输入数据对分类器进行训练,再用训练好的分类器进行步态识别,从识别率和计算时间两方面,分别与支持向量机(SVM)和深度神经网络(DNN)方法进行了对比分析.结果表明,基于Fisher判别可分性指标确定的多类特征组合,能得到最优识别效果,并在提高分类精度的同时,优化了计算效率.此外,GKF-RELM方法的识别率也优于传统的ELM方法.     

基于集成学习的SAR图像农田区域识别与检测方法研究

旨在综合利用特征提取、多种分类器、图像融合、相关判决等方法,实现对SAR遥感图像中农田种植区域的精确识别与检测。首先论述了相关研究与应用现状,然后分析了SAR图像农田种植区域的特征提取、多种分类器训练与检测的效果,及采用基于PCA的SAR图像融合、多种检测结果的相关,最后综合以上提出了一种基于多分类器集成学习的SAR图像农田区域识别与检测方法。通过实验验证了文章所提出方法的有效性。     

高斯过程模型在SAR图像目标识别中的应用

将高斯过程模型应用于合成孔径雷达（SAR）图像目标识别。高斯过程模型是基于贝叶斯框架的统计学习算法,通过结合核函数和和概率判别构建分类模型。与传统分类模型相比,高斯过程模型可以获得更高的分类效率和精度。方法实施过程中,采用SAR图像的特征矢量作为输入,以目标类别标签作为输出训练高斯过程模型。对于待识别样本,通过计算其在高斯过程模型下属于各个类别的后验概率判定其目标类别。实验中,依托MSTAR数据集在典型条件下开展测试。根据实验结果,所提方法在标准操作条件下对10类目标识别精度达到99.28%;在30°和45°俯仰角下的平均识别率分别为98.04%和73.13%;在噪声干扰各个信噪比条件下均保持最高性能。实验结果验证了所提方法的有效性和稳健性。     

一种多视角SAR图像目标识别方法

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标识别问题,提出了一种联合多视角的方法。基于图像相关准则对多视角SAR图像进行聚类分析,获得若干视角集。分别对每个多视角子集采用多重集典型相关（Multiset Canonical Correlations Analysis,MCCA）进行特征融合,获得特征矢量。采用联合稀疏表示对各个视角集的特征矢量进行表征分类,获得决策结果。在样本丰富的MSTAR数据集上开展实验与分析,结果表明,所提方法对10类目标样本在标准操作条件、噪声干扰以及遮挡情形下均可以取得优势性能,验证了其有效性。     

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。     

Decision Fusion With Confidence-Based Weight Assignment for Hyperspectral Target Recognition

Conventional hyperspectral image-based automatic target recognition (ATR) systems project high-dimensional reflectance signatures onto a lower dimensional subspace using techniques such as principal components analysis (PCA), Fisher's linear discriminant analysis (LDA), and stepwise LDA. Typically, these feature space projections are suboptimal. In a typical hyperspectral ATR setup, the number of training signatures (ground truth) is often less than the dimensionality of the signatures. Standard dimensionality reduction tools such as LDA and PCA cannot be applied in such situations. In this paper, we present a divide-and-conquer approach that addresses this problem for robust ATR. We partition the hyperspectral space into contiguous subspaces based on the optimization of a performance metric. We then make local classification decisions in every subspace using a multiclassifier system and employ a decision fusion system for making the final decision on the class label. In this work, we propose a metric that incorporates higher order statistical information for accurate partitioning of the hyperspectral space. We also propose an adaptive weight assignment method in the decision fusion process based on the strengths (as measured by the training accuracies) of individual classifiers that made the local decisions. The proposed methods are tested using hyperspectral data with known ground truth, such that the efficacy can be quantitatively measured in terms of target recognition accuracies. The proposed system was found to significantly outperform conventional approaches. For example, under moderate pixel mixing, the proposed approach resulted in classification accuracies around 90%, where traditional feature fusion resulted in accuracies around 65%.     

融合CNN和SRC决策的SAR图像目标识别方法

提出基于卷积神经网络（Convolutional Neural Network,CNN）与稀疏表示分类（Sparse Representation-based Classification,SRC）联合决策的合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别方法。CNN通过深度网络学习SAR图像的多层次特征,进而对其所属的目标类别进行判决。研究表明,CNN在训练样本充足的条件下可以取得很好的识别性能。然而,对于训练样本未能包含的条件,CNN的分类性能通常会出现明显下降。因此,先采用CNN对待识别的测试样本进行分类,再根据输出的决策值（即,各个训练类别对应的后验概率）计算当前分类结果的可靠性。当分类结果判定可靠时,则直接采信CNN的决策,输出测试样本的目标类别。反之,则根据CNN输出的决策值筛选若干候选类别,然后基于它们的训练样本构建全局字典用于SRC分类。对于SRC的分类结果,进一步采用Bayesian融合算法将其与CNN的分类结果进行融合。最终,根据融合后的结果判定测试样本的目标类别。提出方法通过层次化的思路融合CNN和SRC的优势,有利于发挥两者对不同测试条件的优势,达到提高识别稳健性的目的。实验中,基于MSTAR数据集开展测试分析,结果验证了提出方法的有效性。     

基于扩展分形和CFAR特征融合的SAR图像目标识别

研究了多信息融合技术在SAR图像目标识别中的应用。将扩展分形特征(Extended Fractal)与双参数恒虚警特征(Double Parameter CFAR)形成的多信息进行融合处理。运用Dempster-Shafer证据理论，在决策层对SAR图像中的像素进行识别分类。实验结果表明通过融合对像素分类的准确性明显好于单特征的检测结果，减少了虚警概率，提高了系统的识别能力。     

动态模糊密度的多分类器融合算法

在分析现有模糊密度计算方法的基础上,本文从分类器的隶属度分布和输出一致性两方面探索计算模糊密度的新方法,提出一种基于决策信任度和支持度的动态模糊密度赋值方法,旨在根据各分类器识别具体目标时输出的客观信息,实时地刻画分类器在融合系统中的可靠性.在表情识别上的实验结果表明,本文方法可以有效提高模糊积分融合的决策性能,降低单分类器输出不可靠决策信息的干扰,是一种有效的多分类器融合方法.     

基于多特征融合的弱小运动目标识别

利用单个特征识别强噪声中的弱小运动目标,常因所提取的目标特征与噪声特征易混淆而导致高的虚警率.提出一种新的基于多特征融合的弱小运动目标识别方法.分析了弱小运动目标的连续相关性、面积及质心位置偏移这三个特征的可靠性及提取方法,对获取的特征值进行归一化后采用多特征融合的方法构造更具有鲁棒性的联合特征,确定了以具有最大多特征融合值为真实目标的决策方法.通过与采用单一特征的目标识别方法进行比较,证明了提出的多特征融合方法能更准确地识别弱小运动目标.     

结合多决策准则稀疏表示的SAR图像目标识别方法

提出组合多决策准则的稀疏表示分类（Sparse Representation-based Classification,SRC）并在合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别中进行应用。传统SRC通常在全局字典上对测试样本进行重构,分别计算不同训练类别对于测试样本的重构误差,最终根据最小重构误差的原则进行分类决策。然而,由于SAR目标识别问题的复杂性,单一决策准则往往对扩展操作条件的适应性不强,导致整体性能下降。为此,文中基于稀疏表示求解的系数矢量,分别采用最小重构误差原则、最大系数能量原则以及局部最小重构误差原则分别进行分类。最小重构误差准则直接采用传统算法。最大系数能量准则分别计算不同训练类别系数能量,按照能量最大的原则进行判决。局部最小重构误差原则在局部字典上对测试样本进行表征和分析,充分体现SAR图像的视角敏感性。对于三个准则获取的决策变量,通过适当转换统一采用概率分布形式进行表达。最终,基于线性加权融合对三个准则的结果进行分析,判决测试样本所属目标类别。基于MSTAR数据集对方法进行测试,分别验证了提出方法在标准操作条件、俯仰角差异、噪声干扰及目标遮挡等情形的性能。实验结果表明:所提方法通过结合多决策准则能够有效提升SAR目标识别性能。     

基于分类器决策融合的红外图像目标识别方法

提出基于分类器决策融合的红外图像目标识别问题。采用稀疏表示分类（Sparse representation-based classification,SRC）和卷积神经网络（Convolutional neural network,CNN）作为基础分类器。对于测试样本,首先基于SRC进行分类,并根据输出的决策变量判断决策可靠性。当判定识别结果可靠时,则识别过程结束,输出目标类别。反之,根据SRC的结果遴选部分置信度较高的候选类别,并在下一阶段针对这一步类别采用CNN进行确认分类。此外,将CNN的输出结果与SRC进行线性加权融合处理,根据融合结果做出最后的目标类别决策。提出方法通过综合SRC和CNN两者分类器的优点,综合提升红外目标识别性能。同时,这种层次化的决策融合方式避免了对所有样本的两次分类过程,整体上能够保证识别算法的效率。实验采用五类日常生活中常见的车辆目标红外图像进行,分别设置了原始样本条件、噪声样本条件以及遮挡样本条件。通过与部分现有方法进行对比,结果反映了提出方法的有效性和可靠性。     

基于ROI和证据理论的目标融合检测算法

考虑合成孔径雷达图像(SAR)和光学图像的互补特性,提出了一种基于感兴趣目标区域(regions of interest, ROI)决策层融合的军事目标检测方法:分别在SAR图像和光学图像中提取出ROI,再利用各自的统计特征和几何特征给提取出的ROI分配置信度,以表示正确鉴别ROI的概率。最后在决策层上运用D-S证据理论融合两个源中同一ROI的置信度,获得更可靠的融合检测结果。该方法很好的实现了SAR和光学图像的优势互补,并在对遥感图像测试集的试验中得到了验证。      

多视角红外图像目标识别方法

随着红外传感器的性能提升和应用普及,获取同一场景下同一目标的多视角图像成为可能。为此,提出联合多视角红外图像的目标识别方法。首先对多视角红外图像进行聚类分析,获取多个视角子集。在每个视角子集中,红外图像具有较强的相关性。对于不同的视角子集,它们相对独立。为充分利用这种相关性和独立性,采用联合稀疏表示（JSR）对单个视角子集进行决策。特别地,对于只包含一个视角的子集,则直接采用经典的稀疏表示分类（SRC）进行处理。对于不同视角子集获取的决策结果,基于线性加权的思想进行融合处理,并根据融合后的决策变量判决多视角红外图像所属的目标类别。因此,所提方法在分析多视角红外图像内在关联性的基础上,分别对局部相关性和整体的独立性进行考察,并通过决策层的融合将两者融为一体,提高了最终决策的可靠性。实验中,在采集的多类交通车辆红外图像上进行识别,分别在原始图像、加噪声图像以及部分遮挡图像上对方法进行测试和验证,经过对比分析验证了提出方法的有效性。     

结合多源特征与高斯过程模型的SAR图像目标识别

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别问题,提出结合多源特征和高斯过程模型的方法。分别利用主成分分析(Principal Component Analysis,PCA)、非负矩阵分解(Non-negative Matrix Factorization,NMF)以及单演信号提取SAR图像的特征矢量,并将它们串接为单一矢量。三类特征从不同角度描述SAR图像目标特性,从而为目标识别提供更为有效的信息。决策分类过程采用高斯过程模型进行多元分类,基于融合特征矢量获得概率意义上的最佳决策。实验中,采用MSTAR数据集设置3类目标、10类目标、型号差异以及俯仰角差异识别问题,结果验证了提出方法的优越性能。