基于局部特征提取的目标自动识别

提出一种基于局部特征提取的目标识别方法,用于自动识别不同尺度,视角和照度条件下的目标.首先,建立图像的尺度空间;结合海森矩阵和Harris算法提取局部特征点,计算该特征区域的方向和灰度梯度及方向;统计出每块子区域的标准灰度梯度直方图,得到128维的特征向量.然后,基于主成分分析的降维算法来降低特征向量的维数,加快识别的计算速度.最后,采用特征空间分类器增加目标识别的速度.实验结果表明:基于局部特征提取的目标识别达到了较高的识别率,在视角、尺度和照度变化下的识别率分别为61.9％,80.5％和84.4％,平均识别时间为130.9 ms.与尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)算法相比,本算法不仅在不同的视角,目标尺度及照度条件下具有较高识别率,而且识别速度比SIFT方法高.     

大型物体自由曲面测量技术研究

本文针对大型物体自由曲面测量中,传感器单元测量区域小等问题,提出了一种基于粘性目标实现空间图像拼接的方法.采用基于旋动理论,利用相邻图像块中三个粘性目标的空间位置信息确定视觉测量系统姿态的变化,完成空间图像块的拼接.相关实验表明,基于粘性目标实现空间三维图像数据的拼接是可行的,拼接数据空间点距离的相对误差小于0.6%.     

基于DRGAN和支持向量机的合成孔径雷达图像目标识别

为解决SAR图像目标识别中样本缺乏和方位角敏感问题,提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先,采用多尺度分形特征对SAR图像进行增强,经过分割得到目标二值图像,基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码,结合原始图像作为输入,对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计,故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征,利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试,实验结果表明,在带变体的标准操作条件下,能够达到97.97%的分类精度,优于部分基于CNN模型的分类精度,在4种扩展操作条件下的分类精度分别为97.83%,91.77%,97.11%和97.04%,均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下,训练得到的GAN模型作为SAR图像目标旋转估计器,能够使得在不进行复杂样本预处理的前提下,仍然取得较高的SAR图像目标识别精度。     

基于Matlab的RBF网络的带钢表面缺陷的识别与分类研究

采用灰度直方图特征、灰度共生矩阵特征和小波变换特征相结合的提取方法,在提取特征向量的基础上,基于Matlab6.5环境下的神经网络工具箱,应用了兼顾识别速度与分类准确性的RBF神经网络分类器对带钢表面缺陷进行识别与分类,通过试验数据的分析,证明此算法可以作为高速生产线的带钢表面缺陷的实时检测优选方案.     

基于极限学习机及多姿态信息融合的步态识别

为了解决步态识别系统复杂度较高且设备较为昂贵的问题，本文设计了一种步态识别系统。通过采集安装在大腿、小腿和脚板的三个姿态传感器数据，利用时域与频域结合的多域特征方法和近邻成分分析（NCA）算法对姿态数据进行特征提取和降维，得到姿态数据的低维特征向量，使用极限学习机对低维特征向量进行分类，实现了三种步态的准确识别。实验结果表明，三种步态的识别率均达95%以上。     

基于支持向量机的地雷识别研究

考虑到支持向量机在训练样本有限的情况下处理高维数据的优势,为实现地雷的自动识别,运用支持向量机和遗传算法设计并实现了地雷分类器.但是,地雷目标信号经常淹没在强噪声信号中,为提高雷达回波信号的信噪比,进一步提高识别率,文章采用了基于小波包阈值去噪的方法对雷达数据进行预处理.通过实验结果可以看出,本文所采用的方法有效地克服了数据维数高,样本缺少的问题,实现了地雷的分类和识别,识别率达到了86%.     

基于CNN的火炮身管全景图像疵病识别方法

针对火炮身管内膛疵病种类多、定性定量分析难和检测自动化程度低等问题,本文提出一种以卷积神经网络为基础的疵病识别方法。首先,对全景图像进行预处理,主要包括全景展开、光照强度调整、膛线去除等;其次,通过最优阈值法对图像进行二值化处理,并利用四连通域法提取疵病区域;最后,采用卷积神经网络对疵病进行自动的分类识别。实验结果表明,该方法能有效避免人工疵病特征提取和人工特征描述计算等复杂步骤,实现了"采集-识别-判定"全过程的自动运行,真正实现了窥膛检测的自动化,身管疵病的识别率超过92%,识别准确率远高于基于统计学原理及支持向量机的分类方式,具有较高的准确性,为火炮身管修复及寿命预估等奠定了坚实的基础。     

基于紧致全姿态二值SIFT(CCPBS)的人脸识别

姿态变化是人脸识别中的关键问题之一,全姿态二值SIFT（CPBS）提取等间隔采样姿态人脸图像的二值化SIFT特征,并用于任意姿态人脸识别,获得了良好的识别性能。但是,CPBS特征量很大,计算成本很高。提出了紧致全姿态二值SIFT（CCPBS）的人脸识别方法。选取间隔45°的人脸图像作为训练集,首先提取ASIFT特征进行融合。然后用基于稀疏表示的方法进行特征选择,有效地滤除相似或相同的特征,减少数据冗余。进一步对选择的特征进行二值化,即可得到CCPBS。人脸识别通过计算待识别人脸和CCPBS之间的汉明距离来完成。在CMU PIE和FERET人脸库上实验结果表明,提出的算法无需人脸对齐和标记,即可以取得很高的正确识别率,明显优于其他算法。与CPBS相比,识别率仅降低很少的同时,特征量降低了22.11%和32.63%。     

采用自适应变异粒子群优化SVM的行为识别

为了提高对视频序列中人体行为的识别能力,建立了基于局部特征的动作识别框架。通过时空特征提取及编码和SVM分类器参数优化两部分对该框架所涉及算法进行了研究。首先,采用Harris3D检测器获取时空兴趣点(STIP),以方向梯度直方图(HOG)和光流方向直方图(HOF)对STIP进行描述,并引入Fisher向量实现对特征描述子的编码;由于固定参数下SVM动作分类模型存在泛化能力不足的问题,将粒子群算法应用于各动作分类器参数寻优过程中,针对种群多样性逐代变化的特点,构建粒子聚集度模型,并利用其动态调节各代粒子的变异概率;最后,利用KTH和HMDB51数据集对所提方法进行验证。结果表明,所提自适应变异粒子群算法(AMPSO)能够有效避免种群陷入局部最优,具备较强的全局寻优能力;在KTH和HMDB51数据集上的识别准确率分别为87.50%和26.41%,优于其余2种识别方法。实验证明,AMPSO算法收敛性能良好且整体识别框架具有较高的实用性和准确性。     

基于BP神经网络的细胞显微光谱自动分类

光谱正被应用到流式细胞分析技术领域,为了实现自动、快速识别不同类型的细胞或粒子,本文提出一种对细胞显微光谱进行自动识别的BP神经网络方法。该方法在PCA降维,获得样本特征向量的基础上,建立一个三层的BP神经网络,设置各层节点数,训练次数和目标误差,根据训练结果预测个细胞显微光谱的类别;从预测的结果看基于PCA和BP神经网络的方法对细胞光谱的预测识别率达到了100%。这将为流式细胞的自动分类提供合适的算法。     

Target detection and classification by measuring and processing bistatic UWB radar signal

This paper presents a novel method to detect and classify targets obscured by foliage based on real data collected by a bistatic ultra-wideband (UWB) radar system. The type of the target which passes between the transmitter and receiver can have significant effects on the shape of the received waveform. The signal measured by the bistatic UWB radar is related to the type of the target. From these received signals, we extract features that are representative of the target types. Then, we develop target type classification and recognition algorithm based on machine learning techniques. An improved support vector machine (SVM) classifier is developed to perform target types classification and recognition. A novel chaotic differential evolution (CDE) optimization approach using tent map is adopted to determine the parameters of SVM. The effectiveness of the proposed approach is verified by experiments taken in the forest.     

基于OWA算子的加权属性信息融合

为了解决多传感器信息融合中不同等重要信息源的数据融合问题，在OWA算子基本概念的基础上，引入基于该算子的加权属性信息融合算法。依据属性权对各属性值进行转化，使之可以用传统的OWA算子进行合成。将这种方法应用到等级不同的多传感器目标识别中，使各传感器信息源的相对可靠性信息也融入到最后的判决结果中，解决了传统OWA算子只能用于等级相同传感器目标识别的难题。识别实例表明了该方法的有效性和实用性。     

基于吉林一号遥感图像的星载目标快速识别系统

针对传统遥感图像地面目标识别系统图像获取周期长,信息实时性差等问题,设计星载目标快速识别系统,用于卫星在轨快速识别,提出改进的基于快速视网膜关键点(FREAK)的特征匹配识别算法,解决遥感图像数据量大、背景复杂的问题。介绍了星载目标快速识别系统的工作原理,提出简化的FREAK特征提取模型,将原有算法的七层模型减少为四层,用于快速提取出遥感图像中目标特征;利用二进制量化空间将高维特征数据量化为二维数据,提高算法的准确度;最后通过匹配,快速识别出遥感目标。实验结果表明,识别算法的准确度平均提高2.3%,识别用时缩短约27.8%,满足遥感卫星在轨目标快速识别的要求。     

基于快速视网膜局部特征的遥感图像目标识别

针对目前航天遥感图像信息复杂、数据量大,导致目标识别中特征检测准确度低、特征匹配识别时间长的问题,提出了一种基于差分加速分割角点检测算法(AGAST-Difference)和快速视网膜关键点描述算法(FREAK)相结合的目标识别方法。在特征检测阶段,建立AGAST-Difference特征检测算子,将尺度空间理论融合到加速分割角点检测算法(AGAST)中,生成具有强仿射不变性的特征点;再利用简化的FREAK采样模型描述局部特征,并构建二进制特征向量,通过计算向量间的汉明距离,完成特征匹配及目标的快速识别;最后选用美国Quick Bird卫星的遥感图片进行验证,实验结果表明,所提特征检测算子仿射不变性能较强,不仅提高了检测的可重复率,而且特征描述符区分性较强,平均匹配正确率提高了9.91%,识别用时仅为35 ms。该方法识别效率高、速度快,能够满足遥感图像实时识别的需求。     

中高轨道目标的地基光电监视

针对中高轨目标暗弱为目标识别和识别效率增加的难度,研究了基于被动光学系统的地基光电光测系统;同时提出了一种通过对原始图像进行最优化处理,从而有效提高目标信噪比,增加目标识别效率的方法。首先分析了在轨目标的光学反射特性,比较了不同模式下目标的信噪比,给出光电监视系统的最优设计方案。然后,结合目标运动特性和观测条件等因素,设计了适合中高轨道目标的地基地球同步轨道(GEO)目标的观测模式。最后,针对暗弱目标图像识别难题,提出了基于最优化原理的低信噪比目标识别图像处理的新方法。根据实测数据对本文方法进行了实验验证,并与传统差帧法进行了比较。结果显示,本文方法可在目标信噪比大于3.09点条件下识别出目标。该项研究对中高轨道目标光电监视用设备的设计和使用很有参考价值。     

A new sense-through-foliage target recognition method based on hybrid particle swarm optimization-based wavelet twin support vector machine

In order to improve the accuracy of sense-through-foliage target recognition, a new recognition method based on sparse representation-based adaptive feature extraction and hybrid particle swarm optimization (HPSO)-optimized wavelet twin support vector machine (WTSVM) is proposed in this paper. First, an adaptive feature extraction approach based on sparse representation is applied to extract the target features from the measured radar echo waveforms, the target feature set is constructed by sparse coefficients that contain most target information. Then, a new recognition method based optimized WTSVM is developed to perform target recognition. Twin SVM (TSVM) is a powerful tool in the field of machine learning, but the kernel and parameters selection problem still affects the performance of TSVM directly. A novel HPSO is developed in this study to determine the optimal parameters for WTSVM with the highest accuracy and generalization ability. As a hybridization strategy, local search is integrated in the PSO algorithm to further refine the performance of individuals and accelerate their convergence toward the global optimality. Finally, the performance of the proposed method is verified by experiments taken in the forest, and the results conform the improved accuracy of target recognition.     

一种新的复值独立分量分析的特征融合识别方法

摘要：介绍了复值独立分量分析(Complex ICA)的基本原理和算法,并提出了基于复值独立分量分析的目标识别方法。该方法首先利用快速独立分量分析算法(FICA)对目标训练集图像进行ICA分解,然后分别提取基于独立分量的训练集和测试集目标特征,采用线性判据对训练集目标特征进行分类训练,找到合理的分类阈值,最后对测试集图像进行分类识别。本文的创新点在于把复数值独立分量分析的方法应用于多传感器融合的目标识别。实验结果表明,本文提出的方法是可行的,并能获得较高的目标识别准确率。     

基于XGBoost决策树的空中目标战术意图识别

为了提高空中目标战术意图识别的准确度,提出了一种基于 XGBoost 决策树的目标意图识别方法.以 python为开发工具,基于文献中的数据得到战术意图识别概率,并依靠 Dempster-Shafer证据合成理论得出贯序意图概率.为了验证识别结果的准确性,将其与文献中的实验结果进行对比.结果表明,该方法可提高目标真实意图的识别概率,故该方法是可行的.     

全局注意力关系网络的小样本船舶识别

实际场景中采集的船舶目标类别样本数量不均衡,模型训练易导致过拟合。 传统迁移学习的数据集划分存在类别交 叉,造成未标注新类别识别精度低。 为解决上述问题,提出了一种跨目标通用全局注意力机制与关系度量网络融合的小样本船 舶识别算法。 该方法通过在关系网络中引入全局注意力机制,利用关系网络提取到的原始特征,经过全局注意力机制平滑不均 衡类别间的目标特征,并与关系网络提取的原始特征融合后进行特征距离度量。 该方法增强了全局特征之间的一致性,有利于 学习不变的目标特征,提升少样本少标签的船舶目标识别性能,解决了训练过程中类别不均衡导致的过拟合问题。 利用自己采 集制作的船舶数据集对本文方法进行测试实验,识别精度提高了 5. 6% (5-shot)、3. 2% (1-shot),减小了不均衡类别对模型目标 识别造成的影响,增强了模型的鲁棒性。     

一种基于单通道 sEMG 分解与 LSTM 神经网络 相结合的手势识别方法

在基于表面肌电(sEMG)信号的动作识别中,使用单通道传感器能够简化系统、减少识别延时,但也存在识别精度偏低的问题。为了提高识别精度,本文提出将单通道sEMG信号分解策略与长短期记忆(LSTM)循环神经网络识别相结合的方法。在该方法中,先将单通道sEMG信号分解成多通道运动单元动作电位序列(MUAPTs),然后提取MUAPTs的特征,最后将这些特征对LSTM分类模型进行训练。为了验证该方法的有效性,本文以手势动作识别为对象,对6名受试者分别建立了4种分类模型,包括基于未分解信号的支持向量机(SVM)、基于分解信号的SVM、基于未分解信号的LSTM、以及本文提出的基于分解信号的LSTM,并定义识别精度量化指标对这四种模型的分类结果进行评估。对于旋前方肌sEMG信号,在使用本文所提方法进行手势识别时,平均估计精度均能达到90%以上,比未分解的LSTM高18.7%,比分解信号的SVM高4.17%,比未分解信号的SVM高11.53%。实验结果验证了本文所提方法的有效性。