融合时空特性的孪生网络视觉跟踪

针对现有跟踪算法处理快速运动和相似目标干扰挑战时精度欠佳的问题,提出一种基于时空注意力机制的孪生网络跟踪算法。设计时间注意力模块,利用视频初始帧作为参考,依照多幅历史参考帧的贡献程度,自适应地为其赋予权重并进行融合,构建时效性较强的多帧融合模板;结合空间注意力模块,通过非局部操作增强算法对跟踪图像的整体感知能力,进而提升算法的判别能力;在网络训练阶段,利用Focal Loss函数训练网络,以平衡正负样本的比例,提高算法判别困难样本的能力。仿真实验采用标准数据集OTB2015和VOT2016测试算法性能,并与近年来的12种优秀算法即ECO算法、DSST算法、HDT算法、CFNet算法、KCF算法、SRDCF算法、SiamFC算法、DCFNet算法、MEEM算法、SiamVGG算法、BACF算法、ANT算法进行对比。结果表明,融合时空特性的孪生网络跟踪算法可以很好地应对快速运动和相似目标干扰挑战,并有效提升基准算法的性能。     

基于粒子群算法优化的目标识别方法

误差反向传播算法(back-propagation简称BP算法)是当前前馈神经网络训练中应用最多的算法,其优化算法也层出不穷。针对LM优化算法存在局部极小点的问题,通过采用基于优化理论的粒子群优化算法(PSO)来改进Levenberg-Marquardt(LM)算法。将提取的目标瞬态特性特征作为各种算法的输入,通过mat-lab仿真,对整个样本进行训练,并随机选择小样本进行检验。结果表明,优化方法均合理可行,其收敛速度和预测精度有明显的提高,综合来讲,粒子群算法优化后的LM算法表现出较大的优越性,为利用目标的瞬态特性进行目标识别提供了一种新方法。     

基于ML-PDA算法的低可见目标跟踪研究

针对利用传统算法难以跟踪低空目标的问题,提出了一种可行的跟踪低空目标的最大似然-概率数据关联(ML-PDA)算法。在分析各种低空目标特性的基础上,首先建立了基于ML-PDA滤波算法的低空目标跟踪模型,然后对该模型进行了深入分析,最后通过计算机仿真对该模型进行了验证。结果表明:ML-PDA滤波算法对低空目标跟踪十分有效,并且提高了滤波实时性,具有较好的工程应用前景。     

一种捷联式图像导引头的解耦算法?

捷联式导引头与弹体固联,弹体姿态的扰动会导致目标在图像中的位置呈现复杂的运动特性。为了实现对目标的稳定跟踪,必须扩大导引头的搜索范围,从而降低了目标跟踪算法的实时性。文中建立了捷联式图像导引头的解耦模型,并提出了一种弹体姿态的解耦算法,利用惯性设备采集到的实时姿态角等信息进行了仿真验证。仿真结果表明算法可稳定的实现目标的实时跟踪。     

基于磁传感器的地面机动目标分类算法

利用大多数武器装备含有铁磁材料的特性,提出一种基于磁异信号的地面机动目标分类算法。根据不同类型目标对地磁产生相应影响的原理,探测目标存在和识别目标类型。磁传感器用于采集目标产生的地磁场扰动信号,通过统计样本集训练和设计分类器,检验目标信号特征的类型最佳匹配模式,并对常见的3类目标进行试验研究。结果表明这种分类算法计算量小,分类正确率高,可以适用于地面侦察和目标入侵检测。     

一种改进的机动目标跟踪算法

针对“当前”统计模型算法中加速度极限值预先设定对算法造成的不利影响,提出了一种改进的机动目标跟踪算法,即位置偏差估计自适应算法．该算法利用位置预测估计与位置估计之间的偏差对噪声方差进行自适应调整,从而避免了加速度极限值的预先设定问题,提高了机动目标的跟踪性能．仿真结果也表明了该算法的良好跟踪性能．     

一种自适应双波门电视跟踪算法

为了解决跟踪空中目标时背景云雾的干扰及目标大小和姿态变化带来的不利影响，提出了用于电视跟踪的一种双波门改进算法。该算法在双波门算法的基础上，加入动态阈值的判断，使之能快速、有效地去除背景云雾干扰，同时根据目标特征自适应调整内波门尺寸，避免因目标大小的剧烈变化导致的跟踪失败。利用视场内帧预测方法，较好地解决了目标丢失的问题。该算法通过半物理仿真实验进行验证，解决了云雾干扰、目标大小和姿态变化等不利影响问题，达到了系统实时性要求，实现了稳定跟踪。     

卷积神经网络在飞机类型识别中的应用

为提高现代战争过程中对敌军飞机的识别能力,针对军用飞机样本量少、不同视角条件下形变明显的特点,提出一种融入center loss的卷积神经网络与ANN分类器结合的飞机类型识别方法.首先利用3Dmax软件制作的6000张5类飞机图片对构建的多层CNN模型进行训练,并利用这些图片的CNN特征训练ANN分类器,然后用训练好的网络模型和分类器对真实飞机样本进行预测分类.实验结果表明:在样本量少且目标形状复杂的情况下,该方法对5类军事飞机的识别精度可达到97.17％,是一种切实可行的飞机类型识别算法.     

水下弱目标跟踪的深度学习方法研究

针对水下弱目标跟踪受干扰和噪声影响容易出现量测丢失或偏差,导致传统Kalman滤波方法跟踪误差显著增加甚至出现发散的问题,为此提出一种基于神经网络的目标跟踪方法,利用深度神经网络解决不同运动模式下目标方位跟踪的问题。水下目标跟踪的神经网路模型可通过运动模型生成大量量测数据进行充分训练,有效解决水声目标数据少、标记样本不足的问题;在量测不连续条件下,提出一种新的损失函数用于增强目标跟踪模型的稳健性;对未学习的仿真数据及实测海试数据进行测试。研究结果表明：构建的卷积神经网络(Convolutional Neural Network, CNN)模型适用于3种不同运动模式下的目标,能在平台静止和运动两种情况下稳定跟踪目标;CNN模型较传统Kalman滤波方法跟踪误差分别降低了7.75°和1.41°,验证了该模型的稳健性和可推广性。     

基于组合矩特征的舰船目标识别

针对采用一维距离像特征进行舰船目标识别时,大样本需要、算法复杂和效率较低的问题,提出一种利用组合矩特征进行舰船目标识别的方法.首先提取目标距离像的变换不变矩及小波不变矩特征,并且在考虑算法效率及分类器设计的基础上,最终选取共6维特征构造组合矩,作为分类器输入,并利用实测数据对特征进行简化.分析结果表明:经过实测舰船数据验证,所提取的特征克服了姿态、幅度敏感性等特点,能够较好地表征不同类型舰船的差异.算法分类正确率较高,具有较好的工程应用前景.     

基于字典学习的实时运动目标跟踪算法

采用提取图像的尺度不变特征可以获得较好的匹配跟踪效果,但该特征提取方法比较耗时。针对这一问题,提出了一种鲁棒的实时目标跟踪方法。该方法通过提取目标的多尺度平移、旋转特征来构建字典,提高了算法的鲁棒性。利用所构建的字典来表示待跟踪目标集特征,查找与目标模板最近邻的待跟踪目标,即可确定跟踪的最终结果。试验结果表明,这种基于字典学习的实时跟踪算法可以鲁棒实时地跟踪单目标。     

融合SVM 的多特征DSST 目标跟踪算法

为解决DSST算法多尺度搜索策略跟踪时目标出现严重遮挡、非刚性形变、目标脱离视场导致的目标外观变化的问题,提出一种将支持向量机(support vector machine,SVM)目标重检测模块融合的算法.提取目标的多种特征然后将这些特征矢量融合以增强目标的特征表达.在DSST算法的位置和尺度滤波器的基础上,新增目标外观滤波器,利用训练好的SVM全局搜索目标.采用不同大小的窗口采样来训练相关模型并建立一个SVM的最优分类面,通过SVM对丢失后的目标进行重检测.实验结果表明,改进算法比DSST算法在对目标受到遮挡、目标非刚性形变等问题上的鲁棒性能均有提高.     

一种地面固定目标的双模跟踪方法

提出了一种由相关跟踪算法的改进算法和形心跟踪算法复合而成的新的双模跟踪算法．以双模跟踪算法作为算法核心形成一套实时跟踪处理软件系统,可用来实现对地面固定目标的模拟跟踪．同时还讨论了目标判别的策略和对目标丢失后的处理方法．     

红外成像制导末端局部图像识别跟踪研究

针对红外成像制导末端目标图像充满导引头视场影响目标识别跟踪的问题,提出一种红外成像制导末端局部图像识别跟踪的方法。分析了红外成像制导原理;选取了高亮区比例、灰度标准偏差、长宽比、紧凑度和复杂度等5个特征量作为特征提取和目标识别的依据,提出适合导弹的目标快速识别算法;通过计算红外成像制导末端目标图像,在导引头焦平面上的投影面积的变化情况,分析了弹目距离与相对速度对目标图像变化情况的影响,研究了形心跟踪到局部图像跟踪的转换时机。综合考虑了可靠性和实时性要求,选取飞机机头作为局部图形跟踪的跟踪点;搭建红外成像制导仿真场景,对所提出的方法进行仿真分析。仿真结果表明：该方法能够有效地识别图像中的目标,减小红外成像导引头跟踪盲区,实现红外成像制导末端的平稳跟踪。     

一种测定复杂介质的实时算法

对目标介质的实时测定与识别是为引信提供稳定、实时的决策的重要基础。基于规则的特征提取方法是一种全新思路的目标介质实时测定方法。该方法利用加速度信号强度、加速度信号导数值以及加速度信号陡变等三个方面提取相应特征值，以确定被侵彻介质的性质和类别。采用这种方法对典型的介质数据的测定结果相当准确，与以往决策算法相比，该方法实现简单、应用范围广、灵敏度高。     

一种基于SiameseRPN 的模糊视频目标跟踪算法

为提高追踪准确率, 提出一种针对模糊视频的轻量级视频跟踪算法。采用主流对抗生成网络模型 DeblurGAN V2 进行去模糊处理,交由基于改进SiameseRPN 目标跟踪算法进行目标跟踪。为实现轻量化,将目标跟 踪的特征网络替换为EfficientNet 网络,改进注意力机制为ECANet 以捕捉多通道信息,并在GoPro 数据集上进行测 试。测试结果表明：相比SiameseRPN 算法,该算法能实现更高的追踪准确率,帧率能达到实时性要求,具有一定 的借鉴意义。     

红外目标图像的复合特征跟踪算法

红外目标图像跟踪系统中应用单一特征跟踪算法,易造成跟踪点漂移和目标丢失。提出目标图像的复合特征跟踪算法,综合利用目标图像的灰度特征和点特征,联合灰度特征的易用性和点特征的空间不变性,分别克服单一特征易受光照、噪声干扰,以及实时性较差等方面的不足。提出了复合特征联合匹配的算法流程和权值分配策略,通过仿真试验对比三种方法的目标跟踪性能,证明了该算法的有效性。     

前视红外目标的鲁棒分层跟踪算法

针对前视红外序列图像中目标与背景对比度低、灰度级动态范围小以及目标边缘模糊的特点,提出了一种基于均值漂移和特征匹配的红外目标鲁棒分层跟踪算法。首先利用均值漂移算法来快速搜索局部最优候选目标。然后,通过特征匹配对跟踪误差进行有效修正。采用Harris算子对模板目标与候选目标进行特征点提取,利用改进的Hausdorff测度对特征点进行有效的匹配度量,最终实现红外目标的精确定位。实验结果表明该算法简单有效,能准确跟踪前视红外目标。     

基于方差比值特征的目标跟踪

采用在线自适应调整查找感兴趣目标区域特征的方法,实现了改进的目标跟踪。通过选择能够最大程度区分前景目标和背景的特征,计算其对教似然比值,以得到提高了单峰特性的加权图像,然后采用类间方差比值的方法对加权图像排序,选择排序最靠前的特征组合作为最好的特征,结合mean～shift算法完成目标跟踪。通过与传统mean—shift算法的跟踪效果比较,该算法对于目标表面和场景变化的情况都能够很好地适应处理。     

红外成象型空空导弹目标识别与跟踪算法研究

根据红外成象制导型空空导弹图象传感器在目标识别与跟踪过程中获得的图象序列的特点。提出了一种基于红外图像序列的弹道终端红外图象跟踪时的跟踪算法．实现了目标特征点的自动识别与跟踪。文中以最大距离法对目标图象进行分割．以机头部位为局部图象跟踪时的跟踪部位，分析了导引头投影成象模型以及弹目距离、相对速度对目标图象变化情况的影响．研究了中段形心跟踪模式与末端局部图象跟踪模式的转换时机．定义了确定目标充满视场程度以及阻塞视场与否的两个判据。最后，以实测的飞机红外图象对文中提出的算法进行了仿真，结果表明本文的算法是可行和有效的。