基于组合矩的激光雷达距离像目标识别

激光成像雷达距离像与目标表面物理结构特性密切相关,体现目标的本质特征,是目标识别的主要研究方向。采用组合矩的神经网络方法进行了相干激光雷达距离像目标识别仿真研究。用Hu不变矩和仿射不变矩两者的低阶矩组合表示距离像目标区域特征,利用反向传播(BP)神经网络识别不同方位角的车辆。当视场角不变时,训练10个目标,每个目标取3～19个样本,在不同载噪比(CNR)情况下,分析Hu不变矩、仿射不变矩和两者组合矩的识别率。理论分析和仿真实验表明利用组合不变矩进行距离像目标识别性能优于单独利用其中一种不变矩。     

基于二维小波变换的激光成像雷达目标识别算法

提出了基于二维小波变换的激光成像雷达目标识别算法,首先对激光成像雷达目标的距离像进行二维小波变换;然后从近似分量和细节分量中提取奇异值特征,利用遗传算法对支持向量机参数进行智能优化;最后应用支持向量机对三种地面目标进行识别.仿真实验表明,该方法与直接应用距离像奇异值特征进行识别的方法相比,在高载噪比20dB时的平均识别...     

利用奇异值特征的激光成像雷达目标识别

随着激光技术的发展,激光成像雷达在现代战争复杂战场环境中逐渐获得了广泛的应用,目前激光成像雷达目标识别技术已成为国内外研究的热点.基于激光成像雷达的距离像,以地面军事目标为识别对象,提出了针对奇异值特征的激光成像雷达目标识别算法.利用奇异值特征表征图像具有良好的稳定性,通过分析识别率与奇异值特征数目的关系,从激光成像雷...     

SAR图像目标识别新方法

提出一种SAR图像目标识别新方法。首次引入BM3D方法,用于滤除原始图像中的相干斑噪声,BM3D结合了空间域和变换域去噪的优势,滤波性能优异。在特征提取步骤,将低阶Hu矩与高阶Zernike矩组合,Hu矩描述目标的粗略信息,高阶Zernike矩描述目标的细节信息,因此组合矩能够更加全面而细致地表达目标特性。使用组合矩特征训练SVM分类器,对含噪的SAR图像进行识别实验。实验结果表明:本文方法的识别率高达98.90%,优于已有的SAR目标识别方法。     

监控视频中运动目标识别分类系统研究

提出了一种监控视频中运动目标识别分类算法,通过提取视频中运动目标的Zernike矩的7个高阶矩、长宽比和占空比,然后利用支持向量机(SVM)进行训练识别分类.实验结果表明,该算法具有较高的运动目标分类正确率,且通过对比显示该算法优于运用运动目标的Hu矩的高阶矩、长宽比和占空比进行分类的方法.     

基于加权小波分形的卫星遥感图像飞机类型识别

针对卫星遥感图像中飞机目标的特点,提出一种基于加权小波分形的识别算法。首先利用小波对图像的“显微”能力和“极化”能力,提取子波段显著特征;然后应用分形理论对其进行分析降维,由分形维构成特征向量;并根据各子波段的不同描述能力,对分形维向量进行加权处理;用最小距离分类器识别分类。实验结果表明:该算法能够兼顾目标的整体信息和局部细节,与Hu不变矩、Zernike矩、Fourier描述子相比,识别率高。     

基于特征值的激光成像雷达目标识别算法

提出了一种基于特征值的激光成像雷达目标识别算法。首先从激光成像雷达中获取目标场景的距离像,将场景中各个目标分离,分别提取各个目标距离像的特征值,然后用网格搜索算法对支持向量机参数进行优化,最后应用支持向量机对分离出来的三种目标进行分类识别。仿真实验表明:该方法简单易于实现,识别效果较好。     

基于AlexNet的雷达干扰识别方法研究

针对复杂电磁环境下雷达对干扰信号的分类识别问题,研究了射频噪声干扰、噪声调幅干扰、噪声调频干扰、匀速距离波门拖引干扰、速度波门拖引干扰的Choi-Williams Distribution(CWD)时频图像,采用深度学习中的AlexNet卷积神经网络模型自动提取图像各种特征细节,从而实现雷达干扰信号的分类识别.仿真结果表明:在干噪比为-10～0 dB的范围内,网络的识别率随干噪比的增加而迅速提高,干噪比为0 dB以上识别率基本接近100％;在全干噪比范围下,网络的识别正确率为99.25％,识别效果良好.     

小波不变矩的低空风切变识别

针对微下击暴流、低空急流、顺逆风以及侧风低空风切变样本图像间的形状特性关系,主要研究了小波不变矩的特征提取技术在风切变识别中的应用.首先,采用基于三次B样条的小波不变矩提取风切变图像的形状特征.然后,将提取的特征通过Fisher线性判别分析(LDA)降低维数,实现风切变有效特征的提取.最后,采用三阶近邻分类器分类识别四种低空风切变.实验结果表明,该算法与应用Hu矩和Zernike矩特征进行分类识别相比,识别结果更加稳定,且平均识别率得到了较大提高,能够有效用于风切变图像的类型识别中.     

一种基于组合不变矩的新的舰船图像目标识别方法

利用图像的不变矩特征进行目标识别是一种有效的方法.通过比较Hu矩、仿射不变矩和小波不变矩的特点和适用条件,提出了一种运用部分Hu矩、仿射矩和小波矩组合来识别舰船图像目标的方法.仿真实验结果表明,该组合矩对于提高舰船图像目标的识别率是有效的.     

应用支持向量机分类的多角度目标识别技术

综合应用图像的不变矩特征和支持向量机分类方法,提出了一种对于红外图像中多角度目标的识别方法。首先通过目标分割算法求得红外图像中目标的轮廓图像,然后从轮廓图像的Hu矩、Zernike矩和Fourier-Mellin矩中选取适当阶次的矩特征组成目标在特定视角范围内的不变性特征向量;对目标的视角范围进行适当划分以解决多角度引起的目标样本多样性,并在每个划分的视角范围内分别应用支持向量机的方法进行多目标分类。测试结果表明,本文提出的方法较好地实现了红外图像中多角度目标的识别问题,是一种有效的自动目标识别算法。     

基于时频图像Zernike 矩特征的欺骗干扰识别

为了有效应对跟踪雷达的三种常见欺骗干扰,提出了一种基于平滑伪魏格纳-维尔分布时频图像的Zernike 矩特征的干扰识别方法。该方法对三种干扰下的雷达接收信号进行时频分析,运用数字图像处理技术对时频图像进行一系列的预处理后,通过Zernike 矩特征提取图像的细节特征组成特征向量进行分类识别。仿真实验证明:该方法有较高的识别率,特别是该方法受信噪比影响较小,能够有效降低噪声对干扰识别的影响,说明了采用图像识别方法对雷达欺骗干扰信号进行分类识别的可行性。通过与其他文献方法的比较,证明了该方法的优越性。     

Target recognition in SAR images using radial Chebyshev moments

In this study, a new algorithm for classification of ground vehicles from standard synthetic aperture radar (SAR) images is proposed. Radial Chebyshev moment (RCM) is a discrete orthogonal moment that has distinctive advantages over other moments for feature extraction. Unlike invariant moments, its orthogonal basis leads to having minimum information redundancy, and its discrete characteristics explore some benefits over Zernike moments (ZM) due to having no numerical errors and no computational complexity owing to normalization. In this context, we propose to use RCM as the feature extraction mechanism on the segmented image and to compare results of the fused images with both Zernike and radial Chebyshev moments. Firstly, by applying different threshold target and shadow parts of each SAR images are extracted separately. Then, segmented images are fused based on the combination of the extracted segmented region, segmented boundary and segmented texture. Experimental results will verify that accuracy of RCM, which improves significantly over the ZM. Ten percent improvement in the accuracy is obtained by using RCM and fusion of segmented target and shadow parts. Furthermore, feature fusion improves the total accuracy of the classification as high as 6%.     

基于多重同步压缩变换的雷达辐射源分选识别

针对低信噪比条件下雷达信号分选识别算法识别率低且复杂度高的问题,提出了一种基于多重同步压缩变换(MSST)的雷达辐射源分选识别算法。首先通过MSST得到信号的时频图像矩阵;然后,对时频图像进行预处理,提取出时频图像的灰度共生矩阵纹理特征和Zernike矩特征;同时提取了信号的功率谱参数特征和平方谱统计特征,组成特征参数向量;最后利用支持向量机分类器实现了对雷达信号的自动分选识别。仿真结果表明,在信噪比为-2 dB时,该算法对9种雷达信号(CW、LFM、NLFM、BPSK、MPSK、Costas、LFM/BPSK、LFM/FSK和BPSK/FSK)的整体平均识别成功率大于96.5%。     

机载雷达战场目标的微动特性及识别

机载雷达具有速度快、视野广的特点,适用于战场运动目标的跟踪识别。而目前国内外针对机载低分辨雷达下微动地面目标识别的研究尚属空白。文中建立了机载平台下战场目标的雷达回波散射点模型,分析了单兵、轮式车、履带车等典型目标的微动特性,根据行进单兵微多普勒的周期性特征实现了单兵与机动车的识别;进而通过提取回波信号特征谱和支持向量机的方法实现轮式车与履带车的分类,在20 dB信噪比下识别率在87.5%以上。分类方法具有稳健性和有效性。     

基于Zernike矩的低信噪比红外目标检测方法

针对低信噪比红外目标图像,分析了Zernike矩的基本原理、计算方法和旋转不变性,提出了基于Zernike正交矩的低信噪比红外目标检测方法,并比较了模板匹配、Hu矩、Zernike矩方法的目标识别效果.理论分析与实验验证了所提方法的有效性.