一种基于谱图理论的阵列目标识别方法1

阵列目标是遥感图像中一类重要目标,具有规则的空间分布关系.该文以空间分布关系特征作为阵列目标的识别特征,研究了阵列目标空间分布基元特征的提取及场景结构图邻接矩阵的建立技术,并在此基础上提出了一种基于迭代谱图划分的阵列目标识别方法.实验结果表明,该方法能有效识别多种阵列目标,具有良好的实用性.     

阵列相机图像邻近目标超分辨方法

空天威胁目标通常距离成像系统较远,导致其在图像中信噪比低、尺寸小,即呈现为弱小目标。由于系统分辨率限制,当目标以密集目标群出现时,往往在图像中形成未分辨目标簇,对目标发现、跟踪、识别等带来挑战。阵列相机可以提供多个视角的互补观测信息,采用融合阵列相机图像的超分辨技术,可有效提升弱小目标分辨能力,为分辨密集多目标提供技术途径。该文分析了空间邻近目标与阵列相机之间的几何关系,并提出一种基于阵列相机图像稀疏重建的邻近目标超分辨率方法。利用空间邻近目标在像平面上稀疏性先验假设和阵列相机多视图之间关于目标的投影约束,仿真实验结果表明所提方法能够有效分辨空间邻近目标,实现对空间邻近目标位置和数量的准确估计。     

基于优化概率神经网络和红外多光谱融合的大气层外空间弹道目标识别

针对大气层外空间弹道目标难识别的问题,该文利用红外多光谱数据融合的思想,提出一种基于粒子群优化概率神经网络(PNN)的大气层外空间弹道目标识别方法。该方法首先通过一种新的多色测温方法提取出弹道目标的温度变化率和有效辐射面积两类动态特征,然后利用高斯粒子群优化(GPSO)方法对PNN的平滑因子进行优化,最后利用优化的PNN完成4类典型空间目标的识别。该方法融合了多光谱信息并提取出了多个动态特征,具有较强的鲁棒性。另外,该方法充分利用了概率神经网络的较高的稳定性和样本容错能力。仿真实验给出了4类典型空间弹道目标的多光谱红外辐射强度序列数据,并进行了目标识别研究。仿真测试结果表明,提出的优化PNN网络对多个弹道目标具有良好的识别能力。     

高分辨率SAR图像散射中心特征提取

合成孔径雷达(SAR)目标检测和识别是SAR实用化的瓶颈技术之一,提取有效的目标特征是SAR目标检测与识别的关键环节。高分辨率SAR图像中,目标属性散射中心特征反映了目标散射中心的位置、类型等信息,精确获取目标散射中心属性特征能够提高对目标的检测识别性能。针对SAR目标属性散射中心特征的提取,该文提出了一种基于改进的空间-波数分布(ISWD)的特征提取方法,该方法首先利用ISWD估计散射中心关于频率与方位角的函数,然后利用该函数来获得目标属性散射中心模型参数。最后利用仿真实验验证了方法的有效性。     

基于属性特征的数据关联研究

针对反导预警过程中弹道导弹飞行中段空间目标密集、点迹断续、目标跟踪稳定性低等特点,利用远程预警相控阵雷达和地基相控阵雷达获得的目标多特征属性信息,将属性特征数据模糊化,运用模糊相似度进行数据关联。对比三种隶属度函数对中段目标群识别正确率的高低,选取正态分布隶属度函数,计算两雷达观测目标之间的相似度,得到相似度矩阵,并按照一定的判决规则进行目标关联匹配。仿真结果表明,属性个数越多,均值差异越大,观测方差越小,关联效果越好;属性权重的合理分配也是影响关联结果的重要因素。     

面向光电图像目标检测跟踪的距离信息处理

针对复杂背景下,光电图像目标检测跟踪的难题,分析了基于光电图像目标检测跟踪的基本模型。依据距离信息的空间维度和包含的信息量,提出将距离信息划分为标量距离信息、矢量距离信息以及阵列距离信息的分类方法;系统地研究了面向光电图像目标检测跟踪的距离信息处理方法。通过分析研究得出光电图像目标尺寸与标量距离信息的关系;提出将图像高层特征匹配模型从平面扩展到三维立体空间的图像匹配方法;总结了阵列距离信息在目标检测识别中的应用价值。通过面向光电目标检测跟踪的距离信息处理方法的分析研究,为融合距离信息的光电图像目标尺度分析、图像匹配以及目标种类辨识提供了理论依据。     

基于改进模糊置信规则的意图识别方法

针对传统意图识别方法只能处理某种类型不确定性信息的不足,该文结合模糊集和DS证据理论优势提出一种模糊置信规则库(BRB)信息处理方法。首先在置信规则前提部分改进了前提属性的连接关系,根据数据集统计分布特点设计了模糊集分割,选取Cauchy型分布作为隶属度函数,较好地避免置信规则无法被有效激活进而导致系统无有效输出问题;其次融合处理辨识框架内不同类别的置信分布,建立规则权重和特征权重优化模型,构建了特征空间与类别空间之间的输入输出关系;在此基础上,计算未知意图数据在相应规则模糊域的匹配度和激活度,采用置信度最大原则进行识别决策。通过实验验证、参数敏感性及结果分析、时间复杂度分析,表明该文方法可以获得比其他识别方法更高的正确率,尤其是在小样本条件下更能体现出该方法的有效性和可靠性。     

快慢时间域间歇采样转发干扰生成进动锥体ISAR群阵列

为了提升空间锥体目标突防能力,该文提出一种基于快慢时间域间歇采样转发干扰生成沿距离向及方位向分布的空间锥体ISAR群阵列方法。首先分析了双站情况下空间锥体目标ISAR像成像方法;针对线性调频波分析了快慢时间域间歇采样生成空间锥体ISAR群阵列的基本原理及其ISAR假目标分布特性。最后结合电磁仿真数据,分析了快慢时间域间隙采样参数对ISAR群阵列分布的影响,可为ISAR欺骗式干扰提供参考。     

一种显著图分割的遥感油库检测方法

针对遥感影像中油罐检测识别率低、难度大的问题,提出了一种基于显著图分割分布式的目标检测识别方法,利用视觉显著模型得到油库疑似候选区域,采用多阀值Otsu方法分割出目标,以及利用油罐的似圆特征和分布式的空间分布规律对油库进行检测识别,通过油库场景分布的先验知识,提高检测识别效率、降低虚警率。大量实验表明,文中方法可有效实现对遥感影像中油库的检测识别。     

复杂场景下结合SIFT与核稀疏表示的交通目标分类识别

针对复杂场景下的交通目标分类识别难点,提出一种基于尺度不变特征转换(SIFT)与核稀疏表示的分类识别算法.该算法首先利用SIFT分别提取训练样本和待测目标局部特征信息,通过核方法将特征样本映射到核空间,构建过完备字典,最后通过待测目标在字典中的稀疏度与重构误差对交通目标类别进行判定.同时,分析了随机投影下的核稀疏表示分类与特征维数之间的关系.实验结果表明,与SVM、稀疏表示分类(SRC)相比,该方法增强了交通目标特征层的类判别能力,具有较好的识别率和鲁棒性.     

基于分等级对象语义图模型的复杂目标自动识别方法研究

目标自动识别是图像处理领域的研究热点。针对现有方法的不足,该文提出一种新的基于分等级对象语义图模型的复杂目标自动识别方法。该方法通过构建分等级对象语义图模型增强对目标与背景间、目标部件间语义约束的利用,引入置信对象网络统计局部特性,利用消息机制传递对象间相互影响,实现概率语义分析。训练中还将产生式和判别式方法结合,提高了目标识别的准确度。在自然和遥感部分目标类别数据集上的测试结果表明,该方法能完成对多种类型和复杂结构目标的识别和提取,具有一定的实用价值。     

基于Rough集的信息融合目标识别方法

研究了Rough集理论在基于不同谱段光学信息融合的目标识别系统中的应用技术,在介绍了目标知识表示方法的基础上,提出了用C均值算法实现连续信息离散化的方法,并通过决策表属性的约简来生成决策表,以实现对目标的识别。针对可见光、中／长波红外等三种不同谱段下的三种不同目标图像进行了实验,实验结果表明,该方法具有对先验知识获取的易实现性和对目标识别的有效性。     

基于深度森林的多级特征融合SAR目标识别

大多数传统的合成孔径雷达(SAR)目标识别方法仅仅使用了单一的幅度特征,但是由于斑点噪声的存在,仅仅使用幅度特征会限制识别的性能。为了进一步提高SAR目标识别的性能,该文提出了一个基于深度森林的多级特征融合SAR目标识别方法。首先,在特征提取阶段,提取了多级幅度特征和多级密集尺度不变特征变换(Dense-SIFT)特征。幅度特征反映了目标反射强度,Dense-SIFT特征描述了目标的结构特征。而多级特征可以从局部到全局表征目标。随后,为了更完整、充分地反映SAR目标信息,借鉴深度森林的思想对多级幅度特征和多级Dense-SIFT特征进行联合利用。一方面通过堆叠的方式不断将多级幅度特征和多级Dense-SIFT特征进行融合,另一方面通过逐层的特征变换挖掘深层信息。最后利用得到的深层融合特征对目标进行识别任务。该文在MSTAR数据集上进行对比实验,实验结果表明所提算法在性能方面取得了提升,且其性能对超参数设置具有一定的鲁棒性。     

地面红外目标图像识别方法研究

红外成像自动目标识别是精确制导武器的重要研究内容.针对地面复杂背景条件下,目标难以检测识别的问题,在分析地面目标红外图像场景的基础上,首先利用形态学技术对图像进行去噪和抑制背景,采用Otsu法对图像进行阈值分割并用形态学技术消除虚警目标点,用扩展像素标记法对图像进行区域标记,然后提取目标形状、矩和统计分布三类特征作为识别特征,并采用模糊综合评判方法识别目标.对实地拍摄的100幅坦克目标红外图像进行了识别实验,结果表明,该方法在坦克的典型作战环境下具有较强的抗噪性能和抑制背景结构干扰的能力,能有效识别出目标,并且易于用并行处理和硬件实现.     

基于有机气敏变色材料的传感器系统

针对基于敏感材料金属卟啉和Pt（Me2bzimpy）Cl＋的Cl-盐接触挥发性有机气体后会产生明显的人眼可识别的颜色变化,可以方便地实现一种新型的气体传感系统,该系统将传统的气体嗅觉信息转变为视觉上的颜色信息,可以识别多种气体。系统前端为敏感材料制作的气敏阵列,后端用嵌入式系统对前端阵列图像进行采集和处理,然后通过Hough变换和颜色识别算法完成图像的识别。实验中,无论是醇类,胺类,醛类和苯类的一些气体,还是四氢呋喃,乙酸乙酯,乙腈,丙酮,它们的图像都有明显差别,因此该系统可用于易挥发有机气体的检测,目前可识别的气体有14种。     

高分辨率SAR图像目标峰值提取及峰值稳定性分析

SAR图像自动目标识别的一个主要途径是通过目标峰值序列的匹配进行识别。该文提出了SAR图像的通用高斯峰值模型,并根据该模型设计了SAR图像目标峰值提取方法,进而利用实测目标数据分析了目标峰值对于目标方位角,雷达俯仰角以及目标结构等目标配置条件变化下的稳定性。结果表明,目标SAR图像峰值对于目标的配置条件变化具有一定的稳定性,这说明,利用峰值特征进行SAR图像目标识别是可行的。     

基于主成分分析与BP神经网络的识别方法研究

利用BP神经网络对红外目标进行识别之前,若不对原始样本数据进行预处理与特征提取,一方面使识别结果准确性降低,另一方面使BP神经网络的结构复杂化,采用主成分分析法可解决这些问题。主成分分析法能较好地提取表征样本的少数几个主分量,由该方法的特点可知,这几个主分量彼此不相关,非常符合特征优化的要求。研究结果表明,用该方法处理后的结果数据输入BP神经网络．提高了识别正确率,减少了训练时间,同时也简化了网络结构。将两种常见的模式识别方法结合用于红外目标识别：先由主成分分析法对原始样本数据进行精简处理,然后再由BP神经网络法进行分类识别,与传统的单一识别方法相比,准确度得到提高,计算量大为减少。     

一种联合阴影和目标区域图像的SAR目标识别方法

地面目标的SAR图像中除了包含目标散射回波形成的区域,还包括由目标遮挡地面形成的阴影区域。但是由于这两种区域中的图像特性不相同,所以传统的SAR图像自动目标识别主要利用目标区域信息进行目标识别,或者单独使用阴影区域进行识别。该文提出一种阴影区域与目标区域图像联合的稀疏表示模型。通过使用1\2范数最小化方法求解该模型得到联合的稀疏表示,然后根据联合重构误差最小准则进行SAR图像目标识别。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,通过联合稀疏表示模型可以有效地将目标区域与阴影区域信息进行融合,相对于采用单独区域图像的稀疏表示识别方法性能更好。     

A novel approach for space debris recognition based on the full information vectors of star points

The recognition and detection of space debris has become one of significant research fields recently. Compared with natural images, effective information are very few contained in star images. In the past years, the gray values of star points and the continuity of sequential star images are utilized by numerous algorithms to carry out the recognition and detection through fusion of consecutive star images, which have been achieved good performance. However, with the rapid increase of star image data, those algorithms seem to be inadequate in recognition ability. In this paper, we propose one novel approach based on the full information vectors of star points to recognize moving targets with the machine learning method which is never utilized in space debris recognition field. Besides gray values, we further deeply excavate the characteristics of each star point in a single frame by the equal probability density curve of Gaussian distribution. The elliptical pattern characteristic vectors of star points can be input into the machine learning method for classification of static stars and moving targets in a single frame. Finally, trajectories of moving targets can be determined within 3 frames by the full information vectors. Therefore, traditional processing methods are abandoned and the proposed brand new approach redefines the recognition technical route of space debris. The experimental results demonstrate that moving targets can be successfully recognized in a single frame and the coverage rate of moving targets can reach 100%. Compared with other traditional methods, the proposed approach has better performance and more robustness.     

主观Bayes方法与神经网络相结合的多传感器数据融合空间点目标识别方法

根据对空间弹道式目标及其伴随诱饵信息获取过程中存在的不确定性，将主观Ｂａｙｅｓ方法引入到空间点目标的识别中．为解决应用不精确推理方法所必需的知识和经验的前提问题，将神经网络的输出代替领域专家的知识和经验，并给出了将神经网络与主观Ｂａｙｅｓ方法结合起来的具体方法，进而提出一种多传感器数据融合识别空间复杂弹道式目标及其伴随诱饵的识别模型．实验仿真结果表明，大大改善了识别效果．