深度特征联合表征的红外图像目标识别方法

针对红外图像目标识别问题,提出了联合卷积神经网络和联合稀疏表示的方法。卷积神经网络学习红外目标图像的深度特征,描述目标的多层次特性。不同深度特征可实现对目标不同特性的描述,因此具有良好的互补性。综合运用多层次深度特征,可为目标识别提供更为充分的信息。分类过程中,采用联合稀疏表示对待识别样本的多层次深度特征矢量进行表征,通过不同特征矢量之间的相关性约束提升整体表示精度。因此,联合稀疏表示在利用各层次深度特征的同时,充分考察了它们之间的内在关联。根据联合稀疏表示的输出结果,按照误差最小的原则判定输入样本的目标类别。实验基于中波红外（ MWIR）目标图像数据集开展,分别在原始测试样本、噪声测试样本以及少量训练样本3类条件下对提出方法进行了测试,并与4类现有红外目标识别方法进行了对比分析。实验结果表明,提出方法在设置的3类测试条件下均可以取得优势性能,表明其对于红外图像目标识别问题具有应用潜力。     

多视角红外图像目标识别方法

随着红外传感器的性能提升和应用普及,获取同一场景下同一目标的多视角图像成为可能。为此,提出联合多视角红外图像的目标识别方法。首先对多视角红外图像进行聚类分析,获取多个视角子集。在每个视角子集中,红外图像具有较强的相关性。对于不同的视角子集,它们相对独立。为充分利用这种相关性和独立性,采用联合稀疏表示（JSR）对单个视角子集进行决策。特别地,对于只包含一个视角的子集,则直接采用经典的稀疏表示分类（SRC）进行处理。对于不同视角子集获取的决策结果,基于线性加权的思想进行融合处理,并根据融合后的决策变量判决多视角红外图像所属的目标类别。因此,所提方法在分析多视角红外图像内在关联性的基础上,分别对局部相关性和整体的独立性进行考察,并通过决策层的融合将两者融为一体,提高了最终决策的可靠性。实验中,在采集的多类交通车辆红外图像上进行识别,分别在原始图像、加噪声图像以及部分遮挡图像上对方法进行测试和验证,经过对比分析验证了提出方法的有效性。     

基于Res-Net深度特征的SAR图像目标识别方法

采用Res-Net学习合成孔径雷达(Synthetic Aperture Radar,SAR)图像多层次深度特征,并基于结构相似性准则选取其中的有效成分.通过联合稀疏表示对选取的多层次深度特征进行表征和分析,判定输入样本的目标类别.利用MSTAR数据集进行测试,该方法对10类目标的识别率达到99.02％,对于俯仰角差异...     

基于图像稀疏表示的红外小目标检测算法

基于超完备字典的图像稀疏表示是一种新的图像表示理论,利用超完备字典的冗余性可以有效地捕捉图像的各种结构特征,从而实现图像的有效表示.针对红外小目标检测问题,提出了一种基于图像稀疏表示的检测方法,该方法采用二维高斯模型生成样本图像,继而构造超完备目标字典,然后依次提取测试图像的图像子块并计算其在超完备字典中的表示系数,背...     

基于分类器决策融合的红外图像目标识别方法

提出基于分类器决策融合的红外图像目标识别问题。采用稀疏表示分类（Sparse representation-based classification,SRC）和卷积神经网络（Convolutional neural network,CNN）作为基础分类器。对于测试样本,首先基于SRC进行分类,并根据输出的决策变量判断决策可靠性。当判定识别结果可靠时,则识别过程结束,输出目标类别。反之,根据SRC的结果遴选部分置信度较高的候选类别,并在下一阶段针对这一步类别采用CNN进行确认分类。此外,将CNN的输出结果与SRC进行线性加权融合处理,根据融合结果做出最后的目标类别决策。提出方法通过综合SRC和CNN两者分类器的优点,综合提升红外目标识别性能。同时,这种层次化的决策融合方式避免了对所有样本的两次分类过程,整体上能够保证识别算法的效率。实验采用五类日常生活中常见的车辆目标红外图像进行,分别设置了原始样本条件、噪声样本条件以及遮挡样本条件。通过与部分现有方法进行对比,结果反映了提出方法的有效性和可靠性。     

单演信号在红外图像目标分类中的应用研究

红外成像是夜间观测的重要手段,在军事民用领域都有着广泛运用。针对红外图像目标分类问题,将单演信号引入用于特征提取,用于对目标特性的分析。经过单演信号处理后的红外图像可用幅度、相位和方位三个成分描述。对于每一个成分的多尺度结果,采用矢量串接以及降采样结合的方式构建单一特征矢量。最终构造得到的三个特征矢量能够反映目标的多层次特性。采用联合稀疏表示作为三种单演信号特征矢量的表征模型。在重构过程中,充分利用三类特征之间的关联性从而提高整体重构精度。在不同类别上按照联合稀疏表示的求解结果计算对于测试样本的重构误差,进而决定测试样本的类别信息。该方法通过单演信号获取红外图像中目标的多层次特性,基于联合稀疏表示模型对这些特征进行充分分析和挖掘,从而提高目标分类的精度和稳健性。实验基于公开的中波红外（Medium wave infrared,MWIR）图像数据集开展,分别对原始样本、模拟噪声样本以及模拟遮挡样本进行分类。根据实验结果,并与几类现有算法对比,反映了所提方法对于红外图像目标分类问题能够取得更高的有效性和稳健性。     

一种多视角SAR图像目标识别方法

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标识别问题,提出了一种联合多视角的方法。基于图像相关准则对多视角SAR图像进行聚类分析,获得若干视角集。分别对每个多视角子集采用多重集典型相关（Multiset Canonical Correlations Analysis,MCCA）进行特征融合,获得特征矢量。采用联合稀疏表示对各个视角集的特征矢量进行表征分类,获得决策结果。在样本丰富的MSTAR数据集上开展实验与分析,结果表明,所提方法对10类目标样本在标准操作条件、噪声干扰以及遮挡情形下均可以取得优势性能,验证了其有效性。     

基于LGBM的Zernike特征选取及红外图像目标识别方法

红外传感技术有效解决了夜间观测的难题,成为现代战场侦察的重要手段之一。不断提升基于红外图像的目标识别能力是实施精确打击、态势感知的有力途径。针对红外图像识别问题,提出基于轻量级梯度提升机（Light Gradient Boosting Machine, LGBM）的Zernike特征选取算法,并结合稀疏表示分类器（Sparse Representation-based Classification, SRC）完成目标类别确认。首先,基于红外图像中的目标区域提取多阶Zernike矩特征,表征待识别目标的本质特性;其次,采用LGBM特征选择算法对多阶矩特征进行二次筛选,减少冗余的同时提高特征的针对性;最后,基于SRC对最终选择的Zernike矩特征矢量进行分类。该方法通过LGBM的特征选择有效提高了最终特征的有效性,同时降低了分类的计算复杂度,有利于提高整体识别性能。采用公开的中波红外目标图像数据集（MWIR）开展验证实验,对10类典型军事目标进行区分识别。实验分别在原始样本、噪声干扰样本以及部分缺失样本三种条件下进行并与几类现有红外目标识别方法进行对比讨论。结果表明:所提方法可取得更优性能,证明其有效性。     

远距红外图像中桥梁目标识别方法研究

本文针对远距红外图像中桥梁目标的各种特性，提出了一种基于知识的桥梁目标识别方法，完成了远距成像中弱目标的检测，提出了桥梁目标识别的快速算法，在实验中取得了很好的识别效果。     

基于核稀疏编码的红外目标识别方法

针对红外目标识别问题,提出了一种基于协方差描述子和核稀疏编码的红外目标识别方法.该方法结合了红外图像的灰度、一阶以及二阶梯度等特征的协方差描述子作为红外目标的特征,并采用Log-Euclidean度量进行特征相似性计算,通过高斯核函数将协方差描述子映射到高维空间,最后在新的特征空间上进行稀疏编码.实测数据实验结果表明,与传统的KNN(k-nearest neighbor,k最近邻)以及SVM(support vector machine,支持向量机)等分类算法相比,基于核稀疏编码的红外识别方法在识别准确率上有很大的提高.     

基于Zernike矩特征的电力设备红外图像目标识别

基于红外图像处理的电力设备及其关键构件识别是红外诊断技术的关键步骤,其难点之一在于设备图像的倾斜、缩放以及外形相似性导致的设备特征参量难以提取。本文以电流互感器、电压互感器、避雷器、隔离开关以及断路器五种外形相对接近的设备状态红外图像为研究对象,采用具有旋转与缩放不变性的Zernike矩作为待识别设备的特征,并基于相关向量机(Relevance Vector Machine,RVM)进行设备分类与识别。实验结果表明,该方法不受目标在图像中所处位置与倾斜角度影响,能够自定义生成大量高质量样本且有效分辨不同设备,设备识别准确率达到94.7%,验证了该方案的有效性与实用性。     

多特征融合的优化粒子滤波红外目标跟踪

针对粒子滤波重采样中粒子贫化问题,采用了权值选择的优化方法,对每个粒子的权值进行排序,选取其中权值较大的粒子参与跟踪估计,使权值较小的粒子有机会参与下一状态的估计,保证参与状态估计的大部分粒子具有多样性,有效克服粒子贫化现象。为了进一步提高跟踪性能,根据红外目标成像特点,融合目标梯度特征和灰度特征建立观测模型,并根据置信度实时调整每个特征对跟踪结果的影响,且自适应更新模板。经仿真验证,红外目标在复杂背景或遇到遮挡情况下,该算法能够精确鲁棒地跟踪目标。     

基于分形特征的红外图像识别方法

文中首先对红外图像进行预处理,然后根据分形理论提取了红外图像的９种分形特征,用神经网络进行目标识别。这９种分形特征包括基于分形维数的特征,基于Ｈｕｒｓｔ指数的分形特征和基于缝隙的分形特征。最后进行了计算机仿真实验,实验表明基于分形特征红外图像识别方法是可行的,并取得了较好的结果。     

目标与诱饵红外特性及其识别技术研究

主要研究了弹头目标和诱饵的红外特性及其识别问题.首先给出了弹头目标和诱饵识别技术的基本处理流程;然后,在分析空间物体的红外辐射特性的基础上,建立了空间物体的红外成像模型,在分析目标和诱饵的特征及特征差异的基础上,提出了可以用作弹头和诱饵识别的几个主要特征:红外辐射特征(包括温度、材料和灰度变化率)、运动特征和形状特征等;最后在基于各个特征的初判决的基础上,采用D-s证据理论进行决策层的融合得到综合判决,取得了较好的识别结果.     

基于区域生长法和BP神经网络的红外图像识别

针对变电站巡检机器人远程监控系统中红外图像识别存在的问题,提出一种基于改进区域生长法和BP神经网络的红外图像目标设备分割与识别的方法。利用最小二乘法拟合出红外图像中亮度与温度之间的线性关系,建立基于像素的图像温度场;根据设定温度范围确定区域生长法的种子点位置,利用Otsu法确定截屏窗口最优分割阈值,并结合灰度相似性阈值作为区域生长法的分割准则,实现该窗口目标设备精确分割;将分割出的设备二值图像的Hu不变矩作为设备形状特征向量,并对其进行不变性和类间区分度验证;采用引入附加动量法和自适应调整学习率的BP神经网络实现多种电气设备的识别,实验数据表明优化后的BP神经网络具有迭代收敛快,误差波动性小,分类准确度高等特点。     

基于正则化Adaboost的红外目标识别

对于高维特征空间的分类,Adaboost算法是一种有效的分类算法.然而,如果把Adaboost算法直接运用到红外目标的识别,就会面临高噪声下的Adaboost过拟合问题.采用正则化后的Adaboost算法,即AdaboostKL算法作为分类算法的学习模型,以NaiveBayes作为弱学习器,提出了基于正则化Adaboost的红外目标识别算法.正则化的目的是为避免在红外图像特征高噪声下分类器的过拟合,改善了在高噪声数据下目标识别的可靠性.在求取Adaboost的权重分布时,采用的是熵正则化的方法.通过实验,验证了此算法,则即使面对高噪声的红外数据,也能获得较好的识别效果.     

采用热核特征的SAR图像目标识别

为了解决SAR图像受相干斑噪声干扰和震后发生形变而识别率偏低的问题,提出了一种新的仿射、形变不变特征-热核特征,并将该特征用于SAR图像目标识别.首先采用推广的核模糊C-均值方法分割SAR图像,提取SAR图像目标形状;接着对目标形状进行Delaunay三角剖分,采用余切权重法对Laplace-Beltrami Operator离散化,通过离散化Laplace-Beltrami Operator特征值、特征向量求每一点热核特征;然后采用谱距离公式对点点间热核距离计算,转化为距离分布表示目标形状的热核特征;最后采用L1相似性准则对图像进行相似性度量,得到识别结果.实验表明:与经典的Hu不变矩方法相比,对于仿射变换和发生形变的SAR图像,该方法都具有更高的识别率.因此,基于热核特征的SAR图像识别方法是一种更加有效的识别方法.     

Radio signal recognition based on image deep learning

A technical idea was innovatively proposed that uses image deep learning to solve the problem of radio signal recognition.First,the radio signal was transformed into a two-dimensional picture,and the radio signal recognition problem was transformed into the object detection problem in the field of image recognition.Then,the advanced achievements about image recognition were used to improve the intelligence and ability of radio signal recognition in complex electromagnetic environment.Based on the proposed idea,a novel radio signal recognition algorithm named RadioImageDet was proposed.The experimental results show that the algorithm can effectively identify the waveform types and time/frequency coordinates of radio signals.After training and testing on the self-collected data set with 12 types and 4 740 samples,the accuracy reaches 86.04% and the mAP value reaches 77.72,while the detection time is only 33 ms on the medium configured desktop computer.     

基于图像中心矩和特征向量的目标识别方法

单独使用中心矩进行目标识别,不仅算法耗时,而且效果也不理想。针对这个问题,提出了一种基于图像中心矩和特征向量相结合的目标识别方法,该方法具备了中心矩和可见光图像特征量各自的优点,降低了特征空间维数。通过引入匹配模板特征向量之间的欧式距离,进一步降低了算法的复杂度,提高了系统识别的速度,算例仿真验证了本方法的有效性和实时性。