基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

基于SIFT特征匹配的地面背景下目标识别方法

研究了地面背景下的红外目标识别技术.首先,从提高中值滤波实时性的角度考虑,提出了改进的自适应中值滤波算法,用改进算法对图像滤波;然后,通过空域图像增强方法和基于数学形态学的图像增强方法相结合的方式,提出一种针对地面目标的图像增强算法,拉开目标与背景的灰度差异、突出目标;最后,用基于SIFT特征提取的图像配准方法对增强后的地面背景下的红外目标进行识别(采用MATLAB进行编程仿真试验),匹配过程中重点讨论了匹配阈值的选择问题.实验结果表明,应用该方法对地面目标进行识别的效果比较好,具有一定的实用性和可靠性.     

基于二进制稳健独立基元特征的扩展目标快速检测

在某些扩展目标光电成像中,目标图像缺少局部细节,因此采用复杂的特征检测算法和高维特征描述符,但这种方法不仅存在特征描述区分度弱的问题,而且还存在资源占用多、运算速度慢以及难以实现实时处理的缺点。主解决此问题提出了用加速分段测试提取特征(FAST)检测算法进行角点检测,用二进制稳健独立基元特征（BRIEF）描述符进行目标特征描述的新方法。同时,针对BRIEF描述符缺少方向判别,对目标姿态变化敏感的问题,提出了主方向约束机制,有效地提高了特征点识别的稳定性。将本方法与加速稳健性特征(SURF)和尺度恒定特征变化(SIFT)两种应用广泛的算法进行了比较,结果表明,本方法的运算速度分别达到了SURF的5倍和SIFT的17倍,且识别率与SURF相当,能在不降低特征识别率的基础上,实现目标的快速检测和稳定跟踪。     

基于PCA-SIFT特征的目标识别算法

针对尺度不变特征变换(SIFT)算法在匹配时特征向量过多,从而导致耗时过长的问题,提出PCA-SIF]算法,对目标进行匹配与识别.首先,利用SIFT算法提取出原图像中稳健的特征点以及特征向量;其次,利用PCA算法对SIFT特征向量的维数进行约减;最后利用降维后的图像与原始图像进行匹配.实验证明,与原始SIFT算法相比,该算法不仅保持了SIFT算法的鲁棒性和稳定性,同时提高了匹配效率,增强了实时性.     

基于边沿方向特征的地面时敏目标识别方法

地面时敏目标机动性强,目标姿态无法准确预知导致识别出现困难。传统SIFT特征对旋转、尺度、光照等畸变有很好的抑制作用,但是其只能在较小的视角变换范围内起作用,当视角变换较大时SIFT识别率较低。针对此问题,提出了一种基于边沿方向特征的地面时敏目标识别方法。首先利用积分图像及Haar小波模板计算图像梯度场,以模值极大值点作为特征点;然后将满足距离约束的两点组合成为特征点对,利用互相校验的方法,增强了特征点对的独特性;最后将梯度方向作为匹配依据,实现目标识别。实验结果表明,给出的识别方法具有可行性和有效性,可以在大角度视角变化中保持稳定,在45°范围内均能实现目标的正确识别,具有较强的鲁棒性,优于SIFT算法。     

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.     

一种基于目标红外特征的目标分类识别方法

基于目标的红外选择性,提出了目标的９个特征量,并以它们为分量组成目标的特征向量,以此来进行目标的分类识别。由于特征量单位不统一,提出了一种近邻分类法。文中用３类飞机的红外图像进行实验。实验表明,用这种方法把提出的红外特征量用于目标的分类识别效果很好。     

基于SIFT特征的特定目标识别管控算法

小型存储设备,如U盘、移动硬盘、手机等特定目标在人们日常生活中起着越来越重要的作用,如何对这些特定的目标物体进行管理控制以确保其安全性等问题也受到了越来越多的重视。本文提出了一种基于SIFT(Scale-Invariant Feature Transform)特征的特定目标识别管控算法。通过摄像头监控特定场景区域,判断场景中是否存在对特定目标进行管理的人员,并在监控视频区域环境下,使用SIFT与需要匹配的目标进行匹配,达到对关键目标物体识别管控的目的。大量实验仿真结果证明了本算法的有效性。     

一种新的红外机动目标识别算法

为了改善因红外图像中目标轮廓模糊造成的识别率低,提出一种适用于红外机动目标的识别算法。通过自适应步长的细菌觅食算法对BP神经网络进行优化,利用图像中目标的最左点和最右点及两极点上部的目标边缘信息构造以局部面积比组成的特征向量,通过神经网络对目标分类识别。实验结果表明本文提出的识别算法不仅提高了BP神经网络的收敛速度和计算精度,同时有效地提高了对机动目标的识别率,当目标部分区域被遮挡时也有很好的识别效果。     

红外成像型制导系统舰船目标实时识别技术研究

研究了红外成像型制导系统舰船目标实时识别技术,提出一种新的舰船红外成像目标识别算法．该算法采用聚类准则二值化图像,通过线形区域增长技术得到准目标区域,最后利用模糊综合评判技术进行目标识别．在DSP硬件系统上应用,结果表明识别率高,实时性好．     

基于多波段特征融合模板匹配的目标识别方法

为了满足天基系统对红外探测目标的高精度识别需求,提出了一种基于多波段特征融合模板匹配的目标识别方法。首先阐述分析了目标多维特征要素以及分类手段。结合目标运动特征、多波段下目标光谱特征以及红外辐射变化等特征实现了特征融合处理,并基于区域特征变化,采用动态规整模板匹配算法完成了目标识别。最后结合合作目标的红外辐射强度序列数据对参数进行了训练调整。分析结果表明,本文建立的识别方法能够较好地实现目标型号识别,性能优于传统的动态规整匹配算法。     

一种融合Gabor+SIFT特征的人脸识别算法

姿态变化和光照干扰对于人脸识别的准确率和效率有很大影响。针对这一问题,文中采用结合Gabor特征和SIFT特征的人脸识别方法进行识别,提取一幅人脸图像的多个方向和多个尺度的Gabor特征,并将提取得到的Gabor特征图像进行分块。对分块后的子图像进行提取SIFT特征的操作,将得到的Gabor特征全部SIFT向量级联作为最终特征向量。使用主成分分析方法对得到的最终特征向量进行降维处理,随后使用最小二乘支持向量机进行训练识别。在FERET人脸数据库中进行的实验结果表明,相对于传统单一的人脸识别方法,利用本文方法在姿态变化和光照干扰情况下对人脸识别的准确率达到98.1%,证明了新算法的有效性。     

基于统计学习优化SIFT的面部遮挡人脸识别

针对传统的人脸识别算法受面部遮挡的影响导致很难兼顾鲁棒性和保持原始图像核心信息的问题,本文提出了一种基于统计学习优化尺度不变特征变换的面部遮挡人脸识别算法。首先,利用SIFT将所有给定训练图像用一组局部特征描述符表示出来;然后,通过执行统计学习获得正常脸部图像SIFT特征的概率分布函数,利用获得的概率分布函数在新观察到的测试图像中检测异常SIFT特征;最后,计算测试图像与训练图像之间的相似度,并利用K近邻分类器完成人脸识别。在AR人脸数据库上的实验验证了本文算法的有效性及可靠性,实验结果表明,相比其它几种较为先进的人脸识别算法,本文算法取得了更强的识别鲁棒性。     

激光/红外复合扫描引信目标识别算法

针对激光、红外单模引信抗环境干扰能力差、目标识别概率不高的问题,提出了一种基于关联的多元线阵激光/红外复合扫描的模糊识别算法。该算法通过建立激光/红外线阵扫描模型,对目标的顶部三维轮廓与顶部红外辐射图像进行特征提取与关联信息融合,对比真实目标特征参数,设计了基于模糊理论的目标识别算法,得出三组识别特征各自的识别概率,在此基础上对三种识别概率继续进行模糊推理融合得出目标的最终识别概率。仿真结果表明,该复合探测目标识别概率比单模识别方法有较大幅度的提高。     

杜鹃花各生长期识别与监测研究

针对传统BoF算法缺乏空间信息的问题,文中提出一种改进式BoF算法,并将其应用于杜鹃花各生长期识别与病虫害监测问题。该算法在基于LAB的颜色特征中融入有序的空间信息,形成了新的空间颜色聚合特征来代替传统颜色直方图,有效解决了颜色特征变化尺度小的问题。该算法提取SURF特征代替原有的SIFT特征,通过一种多类特征学习算法融合颜色特征和SURF特征实现图像分类,并通过进一步分析叶片特征来快速识别杜鹃花植株的生长期与病害。经过仿真得知,基于LAB的颜色聚合向量的改进式BoF模型识别率达到了90.6%,较传统颜色直方图的图像分类方法图像检索速度增加3倍,更容易实现特征融合。     

基于SIFT算法的多表情人脸识别

目前人脸识别系统在识别表情变化的人脸图像时识别准确率会降低,多表情人脸识别在人脸识别领域仍是一个热门的研究方向。本文采用SIFT算法对多表情人脸进行识别,在多表情人脸库上进行了两类仿真实验:实验一中对比了同一个人的不同表情的识别效果,实验二中对比了两个不同的人的相同表情的识别效果,实验结果表明SIFT算法能够克服不同人脸间的整体相似性并能有效提取出人脸的局部细节特征。对Jaffe表情库进行仿真实验,取得了当阈值T=0.35时对多表情人脸图像的正确识别率95.69%,实验结果表明,将SIFT算法应用于多表情人脸识别有巨大的潜在科研价值。     

轻量级红外刑侦图像目标识别算法

红外刑侦图像目标识别对刑事侦查具有重要意义,但刑事案件的侦破对时间和置信度要求较高。设计一种保持优异识别精度且具备较快识别速度的轻量级红外刑侦图像目标识别算法,具有十分重要的研究价值。因此借鉴生物免疫的优良特性,设计了免疫原性深度神经网络算法。该算法通过构建先天性免疫网络和适应性免疫网络来提取图像特征,然后设置免疫原性网络增强算法在处理图像特征映射时对不同通道之间优先级的调整能力,从而提高算法的精度和速度。实验结果表明,本文算法有效实现了红外刑侦图像的快速精准识别。与VGG16、VGG19、Resnet34、Resnet50、MobilenetV2等模型相比,本文算法不仅取得了99.4%的最高测试准确率,而且还具备最快的识别速度。     

基于SIFT的多焦距图像特征点提取算法

将尺度不变特征变换（SIFT）算法应用到图像的特征点提取与匹配中,SIFT算法可在尺度空间寻找极值点,提取对图像焦距变化具有稳定性的特征点及其特征描述符。在采用SIFT算法提取图像的特征点及其特征描述符后,提出了一种特征点精匹配算法进行特征点的匹配,并通过仿真证明该算法具有很好的效果。     

基于红外特征的三维目标识别算法研究

基于三维特征的目标识别存在相似点云域容易误判、总数据运算量大等问题,而造成目标检出率低和误判率高。为了提高目标识别准确度与速度,提出了基于红外特征的三维目标识别算法。系统同时获取目标区域的二维红外图像与三维点云数据,利用目标红外特性的显著特征获得目标的投影范围,并计算系统与目标的位姿关系。根据红外特征映射关系计算点云数据中目标的限定范围,由此大幅缩减需要匹配计算的点云总量。在相同背景条件下对同一目标车辆进行测试,记录分析了3种不同测试角度条件下的识别数据。结果显示,传统点云识别算法的目标检出率均值为93.4%,误判率均值为19.5%,收敛耗时4.77 s。本算法的目标检出率均值为98.7%,误判率均值为1.5%,收敛耗时1.23 s。由此可见,基于红外特征的目标识别算法的检出率和误判率都更有优势,且处理速度更快。