雷达地图匹配制导中的共性物特征提取与匹配方法

本文针对雷达地图匹配制导中的共笥特性提取和雷达与地图匹配这一特定问题,应用小波变换多尺度分析提取共性特征,提出基于人工神经元网络的雷达地图匹配方法,并且给出相应的试验结果。因为Ｈｏｐｆｉｅｌｄ模型可以由集成电路实现。本文算法可以实时地完成,试验表明采用本匹配方法能够解决雷达地图匹配问题,获得比传统匹配方法,例如平均绝对差算法更高的匹配定位精度和匹配概率。     

图像匹配与雷达地图匹配制导中匹配技术研究

雷达图像目标的区配定位是雷达自动导飞行器中的一个主要问题，本文概述了国际、国内雷达地图匹配制导应用现状，从预处理技术，匹配度量的定义、匹配算法的研究等三个方面对图像匹配算法进行了综述。论述了雷达地图匹配制导中典型的匹配技术及现有算法存在的总是和轴向尺寸都较小的提出了新的研究方向。     

雷达地图匹配制导中匹配技术研究

雷达图像目标的匹配定位是雷达自动导航飞行器中的一个主要问题。概述了国内外雷达地图匹配制导的应用现状，论述了雷达地图匹配制导中典型的匹配技术及现有算法所存在的问题，指出了新的研究方向。     

基于卡尔曼融合的激光雷达特征匹配方法

针对现有激光雷达特征匹配算法线段特征匹配定位不够准确的问题,提出了一种基于卡尔曼融合的激光雷达特征匹配算法。首先扫描一帧雷达数据,利用改进的激光雷达线段特征提取方法,提取出特征线段,得到局部地图。接着确定局部地图旋转、平移参数,再将局部与全局地图进行匹配,根据相对偏差得到匹配结果。然后基于卡尔曼,利用IMU数据作下一时刻的预测估计,利用激光雷达匹配结果作观测,两者融合得到最优估计。实验结果表明该方法相对现有特征匹配算法在特征线段的匹配准确性上更高,因此定位导航的精度和鲁棒性也更好。     

一种基于浮动车优化地图匹配方法

地图匹配方法,对于浮动车技术有着重要的意义。由于浮动车数据自身的特点,传统的地图匹配算法难以直接应用在城市道路浮动车数据匹配上。针对目前浮动车地图匹配算法应用于城市复杂路网时只考虑单一车辆位置数据,联动性研究较少,导致产生匹配精度不高的问题,考虑车辆运行特征与道路路网的连通信息,同时结合动态GPS数据,把模糊逻辑推理思想引入到网格地图匹配方法中,提出一种优化的地图匹配方法,并对其有效性进行了验证。研究表明,优化浮动车地图匹配方法在保持网格地图匹配实时性优点的同时,提高了算法的匹配精度。     

车载定位系统中综合地图匹配算法研究

基于加拿大亚伯达省政府远程运输RTS系统开发,在分析影响地图匹配性能因素的基础上,提出了一种基于高精密数字地图的综合地图匹配算法,融合了几何匹配算法和路网拓扑结构,充分利用车辆行驶的连续性,结合历史行驶数据选取投影道路,实现准确定位,且算法计算量小,可用于嵌入式实时系统.通过实际跑车试验证明该匹配算法精度高、效率好,具有较好的实用价值.     

基于子空间匹配追踪的信号稀疏逼近

信号的稀疏表示或最佳N项逼近在数据压缩、特征提取和模型降阶等领域得到了广泛的应用．最佳N项逼近是一个典型的NP难的问题．次最优的匹配追踪、正交匹配追踪和基匹配追踪是目前流行的算法．本文提出了一种新的算法——子空间匹配追踪．该算法可以克服匹配追踪算法中的过匹配现象,加速了算法收敛速度,同时计算量比正交匹配追踪小得多．最后,比较了匹配追踪、正交匹配追踪和子空间匹配追踪对仿真信号和语音信号的表示性能．表明了我们的方法有效均衡了计算量和收敛速度两方面的要求．     

基于时序匹配及变长滑窗的雷达信号分选

信号分选是雷达侦察技术与信号处理技术中的关键步骤之一,但常规分选算法运算量大、识别耗时长。同时,在信号丢失严重或者脉冲密度大的情况下易出现增批、漏批问题。针对上述问题,本文提出一种基于时序匹配及变长滑窗的信号分选方法,首先利用载频和脉宽进行粗筛选,然后在时域参数上抽取与雷达参数模板匹配的脉冲序列,匹配的时间窗口根据两条脉冲之间的时间差和雷达参数模板的PRI动态确定。在此基础上,本文提出一种新的雷达信号分选处理流程：将待分选脉冲列分段,对每一段分别进行常规分选和本文所述方法。仿真实验表明,本文算法具有准确率高、耗时短的优点,新的分选流程能够有效弥补常规分选算法的不足。     

高级地图匹配算法:研究现状和趋势

地图匹配是许多位置服务与轨迹挖掘应用的基础.随着定位技术和位置服务应用的发展,地图匹配研究不断演进,从早期基于高采样率GPS(Global Position System)的实时匹配,到近期基于低采样率GPS轨迹的离线匹配、再到当前非GPS定位数据或高精度地图匹配.迄今已有许多地图匹配算法相继提出,但鲜有研究对这些算法进行全面总结.为此,对近十年提出的地图匹配算法进行调研,归纳出地图匹配算法的统一框架及常用时空特征.从模型或实现技术角度分类发现:现有算法大都采用HMM(Hidden Markov Model)模型,其次是最大权重模型;深度学习技术近期开始用于地图匹配,将是未来高精度地图匹配研究的趋势.     

基于匹配模板的二相编码信号识别方法

雷达采用低截获概率（LPI）技术之后,特别是在低信噪比条件下,传统的基于参数提取的雷达信号识别方法将会失效。针对这一问题,提出了基于匹配模板的雷达信号识别方法,阐述了该方法中匹配模板的创建、匹配算法的实现和匹配输出性能参数提取与分析三个关键步骤,以二相编码信号为例制定了相应的匹配识别准则,通过仿真实验验证了该准则的有效性和该方法的可行性。在信号受到噪声污染的情况下,该方法对二相编码信号的识别信噪比可以达到-6 dB。     

松弛匹配算法的神经网络实现

本文提出了用Ｈｏｐｆｉｅｌｄ神经网络完成特征点松弛匹配过程的方法，其优越性在于可以利用神经网络强大的并行处理信息的能力，实时实现松弛匹配过程。通过对模拟图像进行的大量实验，得到了令人满意的结果，证实了用Ｈｏｐｆｉｅｌｄ神经网络完成特征点松弛匹配过程的有效性和可行性。     

Object recognition using multilayer Hopfield neural network

An object recognition approach based on concurrent coarse-and-fine matching using a multilayer Hopfield neural network is presented. The proposed network consists of several cascaded single-layer Hopfield networks, each encoding object features at a distinct resolution, with bidirectional interconnections linking adjacent layers. The interconnection weights between nodes associating adjacent layers are structured to favor node pairs for which model translation and rotation, when viewed at the two corresponding resolutions, are consistent. This interlayer feedback feature of the algorithm reinforces the usual intralayer matching process in the conventional single-layer Hopfield network in order to compute the most consistent model-object match across several resolution levels. The performance of the algorithm is demonstrated for test images containing single objects, and multiple occluded objects. These results are compared with recognition results obtained using a single-layer Hopfield network.     

基于色彩制约耦合距离惩罚的图像篡改检测

当前较多图像篡改检测方法主要通过对图像特征间的距离进行测量来完成特征匹配,忽略了图像的色彩信息,导致检测结果中存在较多的误检测和漏检测现象。对此,本文将色彩信息引入到图像特征匹配过程中,设计了一种采用色彩制约模型的篡改检测算法。利用Laplacian算子与Harris算子提取图像特征,并利用像素点的红(R)、绿(G)、蓝(B)三原色信息,结合特征描述符建立色彩制约模型,对特征点间的色彩信息进行度量,再借助该度量值与特征点间的距离测量值共同完成图像特征匹配,充分剔除误匹配现象,有效提高匹配准确度。该算法还根据特征点间距离方差构造距离惩罚模型,对匹配后的图像特征进行聚类,准确识别篡改内容。通过实验结果发现,与其他篡改检测算法相比,本文算法不仅对伪造内容具备更高的检测准确度,而且对模糊及旋转等内容操作也具有更好的适应性。     

Segmentation of Gabor-filtered textures using deterministicrelaxation

A supervised texture segmentation scheme is proposed in this article. The texture features are extracted by filtering the given image using a filter bank consisting of a number of Gabor filters with different frequencies, resolutions, and orientations. The segmentation model consists of feature formation, partition, and competition processes. In the feature formation process, the texture features from the Gabor filter bank are modeled as a Gaussian distribution. The image partition is represented as a noncausal Markov random field (MRF) by means of the partition process. The competition process constrains the overall system to have a single label for each pixel. Using these three random processes, the a posteriori probability of each pixel label is expressed as a Gibbs distribution. The corresponding Gibbs energy function is implemented as a set of constraints on each pixel by using a neural network model based on Hopfield network. A deterministic relaxation strategy is used to evolve the minimum energy state of the network, corresponding to a maximum a posteriori (MAP) probability. This results in an optimal segmentation of the textured image. The performance of the scheme is demonstrated on a variety of images including images from remote sensing.     

基于SIFT特征的两阶段procrustes迭代匹配算法

以得到尽量准确的图像SIFT(Scale Invariant Feature Transform)特征点之间的匹配关系为目的,给出了一种基于SIFT特征的两阶段procrustes迭代匹配方法。该方法首先基于图像SIFT描述向量得到图像SIFT特征点之间的初始匹配关系,初始匹配的特征点之间存在较多的错误匹配特征点对,然后利用特征点之间全局的几何约束采用第一阶段的procrustes迭代匹配方法去除错误匹配的特征点对,这时部分正确的匹配特征点对也可能被去除,最后利用另一个procrustes迭代匹配过程找回被去除的正确匹配特征点对。仿真实验表明,本文的方法有效去除了SIFT描述向量匹配中存在的错误匹配点对,并能找回被去除的正确匹配点对,得到图像特征点之间正确的匹配关系。      

采用卷积神经网络的红外和可见光图像块匹配

红外和可见光图像块匹配在视觉导航和目标识别等任务中有着广泛的应用。由于红外和可见光传感器有不同的成像原理,红外和可见光图像块匹配更加具有挑战。深度学习在可见光领域图像的块匹配上取得了很好的性能,但是它们很少涉及到红外和可见光的图像块。文中提出了一种基于卷积神经网络的红外和可见光的图像块匹配网络。此网络由特征提取和特征匹配两部分组成。在特征提取过程中,使用对比和三重损失函数能够最大化不同类的图像块的特征距离,缩小同一类图像块的特征距离,使得网络能够更加关注于图像块的公共特征,而忽略红外和可见光成像之间差异。在红外和可见光图像中,不同尺度的空间特征能够提供更加丰富的区域和轮廓信息。红外和可见光图像块的高层特征和底层特征融合可以有效地提升特征的表现能力。改进后的网络相比于先前卷积神经匹配网络,准确率提升了9.8%。     

基于粗糙集近似约简和SIFT特征的图像匹配算法

SIFT(Scale Invariant Feature Transform)描述符由于具有尺度、旋转和光照不变等特性在图像匹配领域获得了广泛的应用。但是,SIFT特征点采用128维特征向量表示,当图像特征点较多时,匹配算法所需的存储空间大、匹配时间长,且匹配精度不理想。针对以上问题,本文给出了一种基于Rough-SIFT描述符的图像匹配算法。首先,利用排序法求出图像的稳健特征点,然后为提高后续匹配处理运算效率,将粗糙集约简理论引入到基于SIFT特征的匹配算法中,通过构建一种新的近似约简算法来对稳健特征点的128维特征向量进行降维处理,最后利用约简后的特征点对图像进行匹配。仿真实验表明, 本文方法使得约简后的SIFT特征点更加精确、稳定、可靠,有效减小了匹配算法的存储空间,提高了匹配算法的效率和准确率。      

基于稳定特征的虹膜分类算法

虹膜分类中,由于虹膜的相似度计算会受到特征模板中不可靠和不固定特征的影响,使得虹膜分类的错误率(错误识别率＋错误拒绝率)增加.为了解决这个问题,本文提出了一种稳定特征提取的方法,从同一虹膜的多个图像中提取虹膜的稳定特征,并利用这些稳定特征建立该虹膜的特征模板,然后用于虹膜的分类.采用CASIA虹膜数据库进行测试,仿真结果表明,基于稳定特征的虹膜分类算法能提高虹膜分类精度和改善虹膜识别系统性能.     

基于Mean-shift的多目标跟踪算法的设计

针对视频序列中目标的跟踪问题,提出了一种基于模版匹配的多目标跟踪算法.该算法提取目标模版灰度分布特征,并在目标匹配过程中采用Bhattacharyya系数在图像中寻找相似性最高的区域.仿真结果表明,用该算法进行多目标跟踪时,跟踪性能远优于其它特征匹配算法和多模型算法,而且计算量小,能保证跟踪的实时性.     

多摄像机场景下的目标匹配比较研究

基于如颜色直方图(Color-histogram)等特征的目标匹配方法由于特征本身受光线变化、背景复杂度等因素影响而对于不同场景中目标的识别准确率存在差异.针对这一现状,选取了基于Color-histogram、SIFT和SURF特征的目标匹配方法分别应用于多摄像机场景下的目标匹配.然后,通过纵向比较同一种方法应用在不同视频集中所显示出的识别率和横向比较同一视频组中应用不同方法所得到的识别率来分析它们之间应用效果的差异性.由实验结果可知,该比较研究所得结论可以为此领域的后续研究提供一种关于特征选择的参考.