特征点和不变矩结合的遥感图像飞机目标识别

传统的飞机目标识别算法一般是通过目标分割,然后提取不变特征进行训练来完成目标的识别。但是,对于实际情况比较复杂的遥感图像飞机目标,至今没有一种适合多种机型的分割和识别算法。针对现有识别算法的不足,本研究提出一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的遥感图像飞机目标识别算法。方法：首先,对预处理后的遥感图像和模板图像进行小波变换,在低分辨率图像下采用圆投影特征进行粗匹配,确定候选目标;粗匹配结束后,提取高分辨率图像的多尺度Harris-laplace角点,并画出Delaunay三角网,同时提取出颜色不变矩和Zernike不变矩;然后使用欧氏距离作为这三种特征的相似性度量,并和样本图像进行加权匹配;最后选取欧式距离最小的图像作为最终的识别目标。结果：实验表明,本文算法飞机检测精度比现有算法高2.2%,飞机识别精度比现有算法高1.4%-10.4%。该算法能从遥感图像中精确识别出十大飞机目标,并对背景、噪声、视角变化等多种干扰具有良好的鲁棒性。结论：提出了一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的飞机识别算法,该算法使用了图像的多种信息,包括特征点和不变矩,有效地克服了使用单一特征无法描述多种信息的不足。实验结果表明,本文采用基于特征点和不变矩的飞机识别算法比其他算法具有更强的抗干扰能力和识别精度。     

基于超分辨ISAR成像的飞机目标识别

利用最大熵谱估计方法对四种飞机目标数据进行外推处理,并在此基础上进行逆合成孔径(ISAR)成像。然后采用ISAR图像的四个特征(几何矩、基于几何矩的不变量、形状特征、量化能量带)作为径向基函数(RBF)神经网络的输入,在此基础上进行识别,达到了较好的识别效果。     

一种飞机图像目标多特征信息融合识别方法

提出了一种基于概率神经网络(Probabilistic neural networks, PNN)和DSmT推理 (Dezert-Smarandache theory)的飞机图像目标多特征融合识别算法. 针对提取的多个图像特征量,利用数据融合的思想对来自图像目标各个特征量提供的信息进行融合处理.首先,对图像进行二值化预处理,并提取Hu矩、归一化转动惯量、 仿射不变矩、轮廓离散化参数和奇异值特征5个特征量;其次, 针对DSmT理论中信度赋值构造困难的问题,利用PNN网络,构造目标识别率矩阵,通过目标识别率矩阵对证据源进行信度赋值;然后,用DSmT组合规则在决策级层进行融合,从而完成对飞机目标的识别;最后,在目标图像小畸变情形下, 将本文提出的图像多特征信息融合方法和单一特征方法进行了对比测试实验,结果表明本文方法在同等条件下正确识别率得到了很大提高,同时达到实时性要求,而且具有有效拒判能力和目标图像尺寸不敏感性. 即使在大畸变情况下,识别率也能达到89.3%.     

基于矩特征的三维飞机目标识别

利用矩特征可以从二维图像识别三维目标,４阶矩的图像峰值反映了目标的形状,为了使它具有平移、比例和旋转不变性,作者对其进行了归一化处理。文中将未修正的不变矩、修正的不变矩及归一化的４阶矩用于三维飞机目标识别,仿真结果表明归一化的４阶矩和修正的正的不变矩可有效地用于三维目标的识别。     

显著图和多特征结合的遥感图像飞机目标识别

目的 遥感图像飞机目标的检测与识别是近年来国内外研究的热点之一。传统的飞机目标识别算法一般是先通过目标分割,然后提取不变特征进行训练来完成目标的识别。在干扰较少的情况下,传统算法的识别效果较好。但遥感图像存在着大量的干扰因素,如光照变化、复杂背景及噪声等,因此传统算法识别精度较低,耗时量较大。为快速、准确识别遥感图像中飞机目标,提出一种基于显著图和全局特征、局部特征结合的飞机目标识别算法。方法 首先使用改进的Itti显著算法提取遥感图像中的显著目标;接着使用基于区域增长和线标记算法寻找连通区域来确定候选目标的数量和位置;然后提取MSA（multi-scale autoconvolution）、Pseudo-Zernike矩和Harris-Laplace特征描述子,并使用标准差和均值的比值来评估特征的稳定性,再把提取的特征结合成特征向量;最后应用支持向量机的方法完成对候选目标的识别。结果 实验结果表明,本文算法检测率和识别率分别为97.2%和94.9%,均高于现有算法,并且耗时少,虚警率低（为0.03）,对噪声干扰、背景影响以及光照变化和仿射变化均具有良好的鲁棒性。结论 本文算法使用了图像的3种特征信息,包括MSA、Pseudo-Zernike矩和Harris-Laplace特征描述子,有效克服单一特征的缺点,提高了遥感图像飞机目标的识别率和抗干扰能力。     

采用独立分量分析Zernike矩的遥感图像飞机目标识别

为了提高遥感图像目标自动识别系统的准确性,提出了一种新的采用独立分量分析(ICA)Zern ike矩的飞机目标识别方法.首先对分割后的目标区域进行独立分量分析处理,将待识别目标形状转换到标准形式,然后对标准化后的图像目标提取Zern ike矩作为特征向量进行识别.通过实验表明此方法具有鲁棒性,能有效地消除遥感图像目标尺度、旋转、平移、反转和扭曲影响,能够有效地识别遥感图像飞机目标.     

基于卷积神经网络的遥感图像飞机目标识别

遥感图像的识别技术一直被广泛运用于民用和军事领域。针对采集到的遥感飞机图像存在大量干扰,如遮挡、噪声、视角变化等因素,提出一种改进的基于卷积神经网络的遥感图像目标识别算法。在复杂环境下,运用卷积神经网络对飞机目标进行识别,避免了在特征提取过程中信息的丢失,提高了识别率。实验结果证明了该算法在遥感图像飞机目标识别中的可行性,能克服尺度变化及目标姿态变化等因素的影响。同时提出的算法较传统CNN、BP神经网络和支持向量机(SVM)方法具有更好的识别效果,鲁棒性更强。     

一种新的图像不变特征研究

为了解决图像特征受灰度及几何畸变的影响，本文利用物理学相关概念对图像进行描述，定义了图像的质量，重心，转动惯量，提出了一种新的图像不变特征即归一化转动惯量（NMI）特征，对其不变性进行了分析，实验结果表明，图像的归一化转动惯量特征具有抗灰度及TRS不变性，且提取方法简单，易于实现。     

基于多特征空间及其优化的城市遥感图像目标识别

城市遥感图像目标识别能够监测城市地物类型,是近年来的热点研究话题,然而,基于像元的传统方法不能充分利用高分辨率遥感图像的特征信息,基于对象的传统方法无法精确提取到对象.针对传统方法的不足,本文提出一种基于多特征空间及其优化的城市遥感图像目标识别方法,该方法以两种传统方法为前提,在联合像元特征与对象特征的基础上,补充VG...     

改进的自适应阈值区域图像分割方法在飞机目标识别中的应用

阈值分割是图像分割的常用方法。本文提出采用基于改进的自适应阈值区域分割方法,提高了对飞机目标遥感图像的分割效果。结果表明,该分割方法具有针对性,比传统方法具有明显的优势。     

基于局部特征的目标识别技术研究

针对基于全局特征的目标识别技术存在的不足,介绍基于局部特征的目标识别技术。研究局部特征的特点和优势,阐述点、线、面3种类型的局部特征的研究现状和主流算法,探讨算法所面临的难点问题,并对基于局部特征的目标识别问题的研究前景进行展望。     

利用能量特征进行条烟识别

针对条烟识别中的图像特征提取问题,定义了一种新的图像特征。此特征描述了图像能量谱的分布特性,能够综合地反映图像的颜色、纹理、形状特点,并且不随图像的旋转和平移而改变。将此特征应用到条烟识别中,获得了令人满意的结果。     

基于纹理特征的矾花图像自动识别方法

为了实现自来水厂沉淀池加料系统的自动控制,针对矾花图像自动识别部分,提出一种采用纹理分析方法,提取矾花图像的纹理特征,然后组合这些特征,构造一种先级联再并联的多分类器组合结构,实现矾花图像的自动识别。实验证明,该算法准确度大、识别率高达97%,可靠性达99%,能满足实际系统的要求。     

多特征区域的细粒度船舶图像目标识别方法

为解决单一特征细粒度船舶图像识别率低的问题,提出一种循环注意卷积神经网络（recurrent attention convolutional neural network,RA-CNN）与多特征区域融合的船舶目标识别方法。该方法通过在VGG-19网络中引入尺度依赖池化（scale-dependent pooling,SDP）算法解决小目标过度池化的问题,提升了小型船舶的识别性能;注意建议网络（attention proposal network,APN）加入联合聚类（joint clustering）算法,生成多个独立的特征区域,使整个模型充分利用全局信息,提高了船舶识别精度;同时设计特征区域优化方法降低多个特征区域的重叠率,解决了过拟合问题;通过定义新的损失函数来交叉训练VGG-19和APN,加快了收敛速度。利用公开的光电船舶数据集对该方法进行测试实验,识别准确率最高可达90.2%,无论是识别率还是模型的鲁棒性较单特征都有了很大的提升。     

红外目标特征分析及融合特征提取

针对复杂背景下的红外弱小目标的特征提取问题,提出了一种实用的红外目标的特征量提取算法.算法依据红外目标的辐射特性与背景之间的相关关系,得到目标的灰度和梯度特征量,通过融合处理,得到加权归一化的融合特征矢量.实验证明,这一融合特征矢量具有良好的稳定性和鲁棒性,同时该特征矢量计算量小,有利于工程实现.     

姿态特征与深度特征在图像动作识别中的混合应用

人体姿态是动作识别的重要语义线索,而CNN能够从图像中提取有很强判别能力的深度特征,本文从图像局部区域提取姿态特征,从整体图像中提取深度特征,探索两者在动作识别中的互补作用.首先介绍了一种姿态表示方法,每个肢体部件的姿态由描述该部件姿态的一组Poselet检测得分表示.为了抑制检测错误,设计了基于部件的模型作为检测上下文.为了从数量有限的数据集中训练CNN网络,本文使用了预训练和精细调节的方法.在两个数据集中的实验表明,本文介绍的姿态特征与深度特征混合使用,动作识别性能得到了极大提升.     

基于图像处理技术的军事目标识别方法综述

对国内外当前比较流行的军事目标识别的成像途径、分类方法梳理总结并对几种成像途径的军事目标识别的优劣势进行分析比较,最后对基于图像处理技术的军事目标识别方法与其他识别手段相结合的发展趋势做一简述。     

改进核最近特征分类器与雷达目标识别

为了解决核最近特征线与特征平面分类器在计算大数据样本量与高维数时工作量较大的问题,根据局部最近邻准则,提出针对这2种分类器的改进策略,使其不仅能够降低失效的可能性,而且在保证相近识别率的条件下,提高算法的实时性能,利用3类不同飞机实测距离像回波数据对其进行测试,实验结果表明,该改进策略是有效可行的。     

基于特征融合的可见光图像舰船检测新方法

该文以可见光图像舰船目标为研究对象,提出了用多谱图像和全色图像进行特征融合来检测舰船目标的方法。该方法首先利用多谱图像实现水域和陆地的分离,然后把分类结果映射到全色图像上从而实现在全色图像上区分水域和陆地;屏蔽陆地后用Otsu方法分别在多谱图像和全色图像上对目标进行分割,并提取目标特征,最后对目标特征进行融合来检测舰船目标。实验证明该方法有效可行。     

基于kAS特征的目标识别新方法

提出一种复杂背景下目标识别的新方法,利用Canny算子和多边形分别提取轮廓和逼近轮廓曲线,计算k邻接轮廓线段组(kAS)特征,利用ISODATA聚类算法得到kAS码书。提取特征时采用分块加权的kAS直方图,识别过程中采用支持向量机进行训练和分类。实验结果表明,该方法在复杂场景下可以获得较高的识别率,具有平移和尺度不变性等特点。