基于支持向量机的浅地层探地雷达目标分类识别研究

对于探地雷达用于探测地雷情况下的目标识别,从实用性上说只需识别地雷或非地雷两类目标即可,而通常的支持向量机正是用于两类分类.本文结合浅地层探地雷达数据的特点,提出了一种基于支持向量机的浅地层探地雷达目标分类识别方法,并分析了时域,傅立叶谱,及离散小波变换三种特征数据用于所提方法时的效果.通过对实测数据进行处理,结果表明三种特征数据用于所提方法都能取得较好的效果.     

基于偏移技术的探地雷达SAR成像方法

BP方法是探地雷达最常用的成像方法,通过调整回波延时完成成像过程。由于地下介质与空气的介电特性不一致,电磁波在传播过程中传播路径和传播速度会发生改变,在调整回波延时过程中,需要实时计算电磁波的传播路径,而且BP方法本身具有计算量大的缺点,造成成像效率低。为了提高计算效率,本文采用地震波处理中的偏移技术完成地下目标的成像。通过实测数据的验证,偏移成像方法不但可以实现地下目标的成像,而且计算量小,成像效率高。      

探地雷达近场三维距离偏移成像算法

在距离偏移算法基础上提出了近场条件下的探地雷达三维成像方法,同时对后向投影钟法进行了讨论。理论分析表明：近场三维距离偏移算法与后向投影算法相比,能在较大程度上减少运算量。利用试验数据对两种算法分别做了成像研究,验证了近场三维距离偏移箅法的正确性及其实时处理能力。     

基于核方法的探地雷达目标特征提取方法

把核方法引入探地雷达目标特征提取中,先对雷达特征数据进行基于核的非线性变换投影到高维空间;然后在高维空间应用传统的探地雷达目标特征提取方法（LDA方法和PCA方法）提取雷达数据特征。对PCA、LDA、基于核方法的PCA和基于核方法的LDA四种探地雷达目标特征提取方法进行对比研究,对实测数据处理的结果表明：无监督的学习方法不适合探地雷达目标特征提取,所提基于核方法的LDA探地雷达目标特征提取方法效果最好。并详细阐述了基于核方法的LDA探地雷达目标特征提取方法。     

基于核方法和主成分分析(PCA)的探地雷达目标特征提取新方法

常用探地雷达目标特征提取方法LDA(又称为FDA)直接在低维的探地雷达数据空间提取探地雷达目标特征, 提取的探地雷达目标特征的区分度小;常用的正则化技术存在正则化参数选取困难的问题。本文提出先通过基于核方法的 非线性变换把低维的探地雷达样本数据投影到高维空间,然后在高维空间中用PCA对奇异的核矩阵降维重建,最后对重 建后的非奇异核矩阵用LDA提取探地雷达目标特征。对实测数据的对比处理分析表明,本文所提探地雷达目标特征提取 方法优于其它方法。     

联合瞬时参数分析用于探地雷达目标增强

通过对探地雷达（GPR）信号的瞬时幅度、瞬时相位和瞬时频率特征进行分析,发现GPR信号的瞬时幅度信息反映了分界面的埋深和各层介质对发射脉冲信号的吸收能力;其瞬时频率信息对晚时信号具有增强作用,并反映了相邻介质介电属性之间的强弱关系。在此基础上,提出了利用瞬时幅度与归一化瞬时频率相乘积的联合瞬时参数方法对GPR信号进行预处理,以提高相邻介质分界面的定位精度。仿真实验和野外实测数据实验结果表明：该方法具有较高的分辨率,能精确地定位相邻介质分界面对应的时刻,其目标增强性能优于Hilbert谱分析方法。     

波速误差对浅地层探地雷达SAR算法影响的研究

定性地研究了波速误差对基于Stolt偏移的SAR算法和基于微波全息成像的SAR算法产生的影响,给出波速误差对两种SAR算法方位分辨率影响的关系曲线,得出基于Stolt偏移的SAR算法对波速误差没有基于微波全息成像的SAR算法敏感;当波速小于真实值,两种算法都能得到更好的方位分辨率.并对这些结论进行了合理的物理解释.     

基于KPCA的探地雷达自适应杂波抑制算法研究

探地雷达是地雷探测的有效技术之一,如何尽可能滤除雷达接收信号中的杂波成分而又不失目标信息是完成目标检测的关键。为增强目标信息,提高信噪比,提出将主成分分析子空间投影和基于RLS自适应滤波技术相结合的方法,通过VUB实测数据进行实验,结果证明了该方法的有效性。     

基于概率主成分分析的人脸识别

人脸自动识别是模式识别和图像处理等学科的一大研究热点,在身份鉴别、信用卡识别、护照核对以及监控系统等方面有着广泛的应用。提出一种基于概率主成分分析方法(PPCA)的人脸识别,该方法与传统的主成分分析(PCA)相比,克服了简单的“丢弃”其他非主成分因子,在PPCA中将“丢弃”因子作为噪声成分进行估计．同时PPCA方法是一种基于概率模型的方法,因此很容易延伸为混合模型,对于PPCA概率模型参数,提出利用EM算法对其进行估计。用两个不同的数据集(姿势表情变化集和光照变化集),将PPCA人脸识别算法和传统的PCA算法进行比较,基于PPCA的人脸识别算法中的“丢弃”方差的收敛速度快于传统的PCA算法。实验结果表明．无论是姿势表情变化集,还是光照变化集,PPCA算法的识别率都优于传统的PCA识别算法。     

基于支撑向量机的人脸识别技术

文中提出了一种基于支撑向量的人脸识别方法。该方法与传统方法相比,克服了后者固有的过学习和欠学习问题,并且对复杂模式的能力强,达到了很高的人脸识识别率。在对训练图像进行预处理之后,使用主成分析方法对人脸图像进行特征提取和选择,用所选择的人脸特征向最训练多个支撑向量机,最后用训练好的支撑向量机进行人脸识别。文中将支撑向量机性能和传统方法进行了对比,并且对不同核函数的支撑向量机的性能也进行了对比。发现当特征脸数量不同时,不同核函数支撑向量机的性能也不同。总体而言,二阶多项式支撑向量机在人脸识别问题中具有更好的性能。     

一种改进的基于主成分分析的人脸识别技术

人脸识别的研究内容主要包括人脸特征提取和识别两部分。文章基于传统的PCA(主成分分析)人脸识别原理及优缺点,采用KPCA(核主成分分析)实现人脸识别的改进。该算法通过非线性映射,把原始图像数据变换到特征空间,再利用PCA实现人脸识别。在MATLAB环境下,进行基于ORL(Olivetti研究实验室)人脸库的实验仿真,KPCA能较好地提取非线性成分,其识别性能优于传统的PCA方法。     

基于深度学习的探地雷达二维剖面图像结构特征检测方法

该文针对探地雷达(GPR) 2维剖面图像中目标特征提取困难及其识别精度较低等问题,采用深度学习方法来提取2维剖面图像中目标的特征双曲线。根据GPR工作的物理机制,设计了一种级联结构的卷积神经网络(CNN),先检测并去除回波数据中的直达波干扰信号,再利用CNN得到B扫描(B-SCAN)图像的特征图,并对特征信号进行分类识别以提取目标的特征双曲线。同时,为处理各种干扰信号影响目标特征双曲线结构完整性的问题,提出了一种基于方向引导的特征数据补全方法,提高了目标特征双曲线识别的准确率。与方向梯度直方图(HOG)算法、单级式目标检测(YOLOV3)算法和更快速的区域卷积神经网络(Faster RCNN)算法相比,在综合评价指标F上该文方法的检测结果是最优的。     

基于支撑向量机的人脸识别技术

文中提出了一种基于支撑向量机的人脸识别方法.该方法与传统方法相比,克服了后者固有的过学习和欠学习问题,并且对复杂模式的识别能力强,达到了很高的人脸识别率.在对训练图像进行预处理之后,使用主成分分析方法对人脸图像进行特征提取和选择,用所选择的人脸特征向量训练多个支撑向量机,最后用训练好的支撑向量机进行人脸识别.文中将支撑向量机性能和传统方法进行了对比,并且对不同核函数的支撑向量机的性能也进行了对比.发现当特征脸数量不同时,不同核函数支撑向量机的性能也不同.总体而言,二阶多项式支撑向量机在人脸识别问题中具有更好的性能.     

随机相位编码抑制步进频率探地雷达RFI的研究

步进频率探地雷达应用中,射频干扰严重影响合成孔径成像效果和目标检测性能。该文使用随机相位编码技术在不影响目标回波的情况下,可将所有射频干扰变为零均值随机信号,进而用经典的均值滤波方法进行干扰抑制。分析表明使用随机相位编码技术使步进频率探地雷达具有噪声雷达的射频干扰抑制能力,同时保留了步进频率良好的主副瓣比性能和利用FFT进行快速信号处理的优点。蒙特卡洛仿真结果验证了本文分析的正确性和随机相位编码对步进频率探地雷达射频干扰抑制的有效性。     

基于Rail-GPSAR实测数据的地雷检测新方法

本文借鉴恒虚警率(CFAR)思想估计图像数据中杂波的统计量,实现图像的预白化处理。在训练图像中选取地雷图像切片的距离向中心切线作为本征向量构造训练数据阵,获取检测器的参数估计,结合主分量分析设计高效的偏差最优线性二次(DOLQ)检测器。验证了DOLQ检测器输出的灰度图像服从Gamma分布,利用其分布参数和实测数据特点确定整体阈值。对得到的二元图像利用形态学操作获取可疑目标块,然后通过整体阈值和局部门限确定的自适应阈值对其进行二次检测,以确保无漏检的情况下尽可能降低虚警。基于图像中目标能量的空间范围,提出了利用能量环对预白化处理后的图像进行目标检测。最后,提出了一种将能量环与DOLQ检测器的检测结果进行决策级融合的新方法,完成对不同土壤环境、埋设深度地雷的检测。对实际图像的检测结果表明,新方法能够显著降低虚警,且具有较好的稳健性。     

利用互相关和Hough变换快速检测探地雷达目标

考虑到探地雷达目标检测效率低的问题,该文基于目标回波能量空间分布的三参数双曲线模型,提出了一种快速的地下目标检测算法。算法首先利用相邻1维回波的相关性提取回波双曲线,再能量加权拟合曲线以估计出回波模型的两个参数,最后通过1维Hough变换来完成目标检测与定位。实测数据实验结果表明该文算法在不降低目标检测性能和定位精度的同时,计算时间只有传统基于Hough变换检测算法的1.5%左右,计算量的理论分析证明了该文算法在计算效率上的优势。     

基于PCA和SVM的人脸识别

人脸识别系统的实验效果取决于如何精确地提取人脸特征向量以及正确地对它们进行分类,所以对特征提取和分类器的研究十分必要。论文将主成分分析方法(PCA)和支持向量机(SVM)方法结合用于解决自动人脸识别问题。     

基于PCA算法的人脸识别方法研究比较

主成分分析(Principal Component Analysis,PCA)方法是人脸识别技术中一种广泛应用的数据降维技术。当通过使用PCA变换获得的主成分去重建原始人脸图像时,能使均方误差最小。在传统的PCA基础上,Yang等人提出了2DPCA方法,避免了从图像矩阵向一维向量的转换,并在人脸识别中获得了满意的效果。文章对这两种方法做了理论上比较并给予实验数据支持,实验证明,2DPCA在识别方面略优于传统PCA算法。     

超宽带探地雷达自动目标识别研究

超宽带探地雷达由于回波信号信息丰富的特点,特征向量的选取成为了自动目标识别的关键.首先利用宽相关处理进行滤波和典型数据提取.提取纵向和横向典型数据用于目标形状识别;提取典型回波道数据进行功率谱分析用于目标材质识别,并利用RBF网络从而实现目标的自动识别.实测数据处理表明:该方法可有效的完成管状物和球状物、铝和铁的识别.