几种自动目标跟踪算法的比较研究

复杂背景目标跟踪是近年来自动目标识别(ATR)领域的一个研究热点,在军事、医疗、安全等多个领域具有广泛的应用前景。ATR的研究内容主要包括目标的检测分类、特征提取和目标定位识别等。本文对当前流行的目标跟踪算法进行了全面的分析比较,最后对目标跟踪算法的进一步研究方向进行了深入的探讨。     

用于空空导弹弹道终端的ATR系统和算法

以工作在弹道终端的红外成像型空空导弹为对象,提出了一种基于前视红外图像的自动目标识别(ATR)系统,并建立了相应的ATR算法。此ATR既可以探测、识别、跟踪目标,还能够在弹道终端识别目标的易损(要害)部位,提取飞行剩余时间,自适应控制炸点。实测的弹道终端红外图像验证了这些ATR算法。     

三维成像声呐图像重建研究

针对成像声呐领域中水下目标探测、识别等问题,基于三维探测声呐2304通道波束形成数据,研究三维成像声呐可视化方法,仿真了三维点云重构算法,并根据实际应用需求,在设备实现中改进了算法,使其在实际环境中可动态调节阈值,优化成像效果。水池、湖试实验表明:以该可视化方法为基础的三维探测声呐可正确显示目标位置、形态;且在混响环境中对复杂探测目标有良好的重构效果;同时通过与二维声呐图像对比,进一步验证了该三维声呐在轮廓识别方面的优越性。     

目标跟踪方法综述

复杂背景下实时目标的跟踪与识别属于自动目标识别（ATR）研究领域，包括对目标的分割、特征提取和目标识别等几个方面。本文将运动背景目标跟踪方法分为基于运动分析和基于图像匹配两大类，综述了几种典型方法的基本原理、基本属性、存在弊端及发展过程；通过各种方法的多方面比较。提出了改进思想，总结了目标跟踪的选择方法；同时针对目标跟踪的一些具体问题。提出了优化措施，最后探讨了目标跟踪方法中有待进一步研究的问题。     

自动目标识别(综述)

本文综述了解决自动目标识别(ATR)问题的各种技术,包括目标检测、分割、特征计算、分类、跟踪等。重点放在目前主要采用的模式识别(PR)方法,同时,对新的方法,例如以知识为基础(K—B)方法,和多传感器ATR问题,也给予评述。     

水下目标回声信号的相关特性

水下目标检测与识别是声呐系统的主要任务之一，但就目前而言，由于水下目标检测与识别技术还不够成熟，因而水下目标检测与识别技术也是声呐技术领域最迫切需要解决的难题之一。本文在基于亮点模型的前提下，运用Matlab软件对潜艇、鱼雷和水雷这三种常见水下目标的回声信号进行了模拟与仿真，并对模拟仿真所得到的目标回声信号以及真实实验数据进行了相关处理。研究了目标回声信号的相关特性，总结得出相应的规律与结论，为进而运用到实际的目标识别技术中提供了可能．     

声呐图像背景区域灰度统计特性分析与拟合

利用声呐进行水下目标定位识别是当前水下目标识别与跟踪的重要手段之一,由于声呐图像受噪声影响严重、分辨率低,对声呐图像的背景建模有助于其目标分割与识别。首先,分析声呐图像背景区域灰度的统计特性,结合其特点采用高斯分布、Gamma分布、威布尔分布、瑞利分布模型对6类不同背景区域声呐图像统计特性进行拟合,构建声呐图像背景区域模型。最后,采用?2准则和Kolmogorov距离误差评价准则评估拟合效果。拟合结果表明,高斯分布、Gamma分布和威布尔分布均能较好地逼近声呐图像背景区灰度统计特性。为满足实时性的应用需求,选用高斯分布构建声呐图像背景灰度统计模型是可行、合理的方案,从而为声呐图像预处理和目标分割提供了背景模型建模的理论依据。     

水下小目标合成孔径声呐层析成像技术研究

水下小目标精细成像对于正确识别水下目标具有重要意义。目前,多波束成像声呐和条带合成孔径声呐是获取水下小目标图像的主要手段。水下目标的判别主要利用了目标图像的亮点特征,即使是同一目标从不同方位观测时得到的结果也可能差异较大,这给快速识别确认目标带来了困难。为解决该问题,提出了利用圆周合成孔径声呐对水下小目标进行水声层析成像信号处理方法,提高了声呐的多角度融合观测能力。仿真及试验数据处理结果表明,合成孔径声呐层析成像方法能够获得目标外形轮廓精细特征,有利于水下小目标的正确识别。     

基于水平集和支持向量机的图像声呐目标识别

本文对基于水平集和支持向量机的图像声呐目标识别方法进行了介绍,这是一种利用声呐技术获得图像,并对目标进行识别的先进技术。水平集法可以根据声呐图像了解目标的大概轮廓,根据不变矩,找到特征矢量,并结合支持向量机,得到识别结果。这种方法有着较高的识别率,应用的范围也比较广,笔者根据自身经验对这种方法的应用情况进行了介绍,希望对相关工作人员提供一定参考意见。     

声呐图像背景灰度分布特性分析及模型研究

在图像声呐滤波、分割以及目标识别中,像素灰度分布特性及其模型的选择与建立具有非常重要的作用。针对当前声呐图像背景灰度分布模型研究尚不够深入的现状,分别采用威布尔分布和瑞利分布模型对声呐图像背景区域像素点灰度分布进行了仿真验证。结果表明,威布尔分布较瑞利分布来说能够更好地逼近图像声呐灰度分布曲线,且具有较强的自适应性。但在某些情况下,可采用瑞利分布替代威布尔分布,以提高运算效率。     

浅说声呐方程

尤立克的以声呐方程为主线的专著《工程水产原理》已于１９７２年在我国出版［１］。人们对声呐方程似乎没有什么好说的了。但我们从投给《声学与电子工程》的稿件中发现．有些人仍未能正确地应用声呐方程。为此，本文试图对与声呐方程有关的几个问题作些浅显的说明。１关于声呐方程的形式 我们用图１表示声呐工作模型。图中目标声源级ＳＬ对于被动声呐就是目标辐射噪声声源级ＳＬｘ．对于通信声呐就是对方发射器声源级ＳＬｐ，对于主动声呐就是目标回声声源级 ＳＬｐ－ＨＬ＋ＴＳ （这里ＳＬｐ是发射器声源级．ＴＬ是传播损失．ＴＳ是目标…     

基于目标特征的数据压缩预处理方法

随着水下自动监测技术的不断发展,对于数据的实时传输效率和测量精度的要求也越来越高,而高质量无损数据压缩传输技术还存在严重不足。文章利用在广西西江航道上建立的侧扫声呐船舶吃水自动监测系统,提出了一种基于目标特征的数据压缩预处理方法。该方法根据散货船的船体结构和声图成像特点,在进行数据压缩前分别在时间和空间两个维度上实现对目标信号的识别和提取,完成对无关冗余数据的剔除。该预处理方法不仅可以大幅提高数据压缩的压缩比,提高传输效率,节省存储空间,还可以保证用于测量计算的目标关键特征信息不丢失,为进一步突破无损数据压缩的压缩比限制提供新思路。     

海底声学探测与底质识别技术的新进展

文章介绍了海底声学探测与底质识别技术的现状及最新进展。重点介绍线性调频声呐（CHIRP）技术和非线性调频声呐技术（参量阵声呐）在海底沉积层结构、海底地形地貌探测及其在海底沉积物的底质属性分类识别方面的应用。并简要介绍国内外在线性和非线性调频声呐技术及用于沉积物属性识别方面的最新专利技术或最新进展。     

面向军事目标识别的DRFCN深度网络设计及实现

自动目标识别(ATR)技术一直是军事领域中急需解决的重点和难点。本文设计并实现了一种新的面向军事目标识别应用的DRFCN深度网络。首先,在DRPN部分通过卷积模块稠密连接的方式,复用深度网络模型中每一层的特征,实现高质量的目标采样区域的提取;其次,在DFCN部分通过融合高低层次特征图语义特征信息,实现采样区域目标类别和位置信息的预测;最后,给出了DRFCN深度网络模型结构以及参数训练方法。与此同时,进一步对DRFCN算法开展了实验分析与讨论：1)基于PASCAL VOC数据集进行对比实验,结果表明,由于采用卷积模块稠密连接的方法,在目标识别平均准确率、实时性和深度网络模型大小方面,DRFCN算法均明显优于已有基于深度学习的目标识别算法;同时,验证了DRFCN算法可以有效解决梯度弥散和梯度膨胀问题。2)利用自建军事目标数据集进行实验,结果表明,DRFCN算法在准确率和实时性上满足军事目标识别任务。     

海底声学探测与底质识别技术的新进展

文章介绍了海底声学探测与底质识别技术的现状及最新进展.重点介绍线性调频声呐(CHIRP)技术和非线性调频声呐技术(参量阵声呐)在海底沉积层结构、海底地形地貌探测及其在海底沉积物的底质属性分类识别方面的应用.并简要介绍国内外在线性和非线性调频声呐技术及用于沉积物属性识别方面的最新专利技术或最新进展.     

基于粒子群最小二乘支持向量机的前视声呐目标识别

随着声成像技术的日益发展和广泛应用,利用图像声呐进行水下目标识别逐渐成为水声探测领域的重要研究方向之一。根据前视声呐图像的特性,提出了一种水下目标识别的方法。对声呐图像进行去噪和增强处理并分割图像,来获取目标所在区域、提取目标的区域形状特征;利用粒子群算法优化最小二乘支持向量机的正则化参数和核参数,构造出高性能的多分类器;输入待识别目标的特征实现分类。实验表明:优化后的最小二乘支持向量机能够准确、有效地识别出水下目标,并且具有较高的精度。     

用于声呐图像处理的侧抑制模型改进算法

以声呐图像边缘增强为背景,将侧抑制理论引入声呐图像处理中来。展开了侧抑制模型算法分析及优化研究,探索侧抑制算法模型的改进算法,仿真和实际声呐图像处理效果显示,改进算法处理图像边缘更加清晰,噪声抑制更加明显,可以提高图像声呐目标轮廓提取以及分类识别的准确率。     

基于BPSO-KNN算法的被动声呐目标分类识别技术研究

以提取得到的被动声呐目标功率谱特征为基础,采用二进制粒子群(Binary Particle Swarm Optimization, BPSO)优化算法和k最近邻(k-Nearest Neighbor, KNN)分类算法相结合的BPSO-KNN算法进行特征选择和参数优化,分别用KNN分类算法和BPSO-KNN分类算法对实际得到的四类海上被动声呐目标进行分类识别。结果表明,BPSO-KNN算法可对提取的功率谱特征进行特征优化选择,并对KNN分类器进行参数优化,提高了对四类目标的分类精度。该算法在被动声呐目标分类识别方面有参考价值。     

一种基于隐马尔可夫模型的多目标方位自动跟踪方法

方位-幅度-时间图(方位瀑布图)是声呐检测设备一种基本的显示图像。方位瀑布图由于在视觉上起着时空积分作用,可提供的信息量很大,声呐兵可通过观察长时间的目标方位轨迹来检测弱目标。本文在这种思想下应用隐马尔可夫模型和Viterbi算法,提出了一种自动提取方位轨迹的方法。计算机仿真研究表明这种方法是简单可行的。     

AN/BSY-1潜艇综合作战系统

BSY-1潜艇作战系统通过综合导航,声呐和武器系统数据.大大提高了潜艇水下目标探测,分类(识别),定位以及作战控制和武器使用能力,并在美海军潜艇上首先把声呐和火控系统综合在一起。它包括有主动声呐、被动旁侧阵声呐,被动拖线阵声呐、探雷/避撞冰下导航声,内以及作战控制系统(CCS),是一套规模大,技术先进的综合系统。