帧内最大相似像在HRRP目标识别中的应用

由于高分辨距离像(HRRP)具有便于获取、处理方便的优势,基于HRRP的雷达目标识别技术一直是雷达自动目标识别技术研究的热点.HRRP的几何结构特征能够直接反映目标的物理结构,在利用帧内最大相似像缓和HRRP的方位敏感性的基础上,HRRP的等效散射中心维数、等效目标尺寸等几何结构特征的提取,有效实现了三类不同飞机目标的识别.实验表明,在基于几何结构特征的HRRP目标识别中,与平均向量的帧中心提取方法相比,帧内最大相似像具有更好的识别效果.     

基于平移不变核主分量分析的雷达目标识别研究*

雷达目标识别中,核主分量分析（KPCA）算法是一种重要的特征提取算法,但雷达目标高分辨率距离像（HRRP）具有平移敏感性,使得该方法应用于基于雷达目标识别系统中具有其缺陷性。采用零相位表示法得到平移不变的HRRP,利用KPCA进行特征维数压缩,利用BP神经网络分类算法来实现识别。仿真实验结果表明,该方法实现了平移不变和降维的结合,具有较高的识别率和很好的推广性。     

基于多分类器融合的雷达高分辨距离像目标识别与拒判新方法

由于雷达自动目标识别（Radar automatic target recognition,RATR）中库外目标的存在,评价系统性能时应综合考虑其识别性能和拒判性能. 由此本文构造了一种将分类器的输出通过最近邻分类器（Nearest neighbor,NN）进行拒判和识别的“分类器——最近邻”系统,并在拒判和识别两个阶 段分别采用多分类器融合技术以提高RATR系统的拒判和识别综合性能. 此外,文中定义了一种代价函数以衡量系统综合性能并为系统拒判工作点的选取提供依据. 进而,采用局部法和全局法两种算法确定拒判器的工作点. 实测数据实验结果验证了本文方法的有效性,两种工作点选取算法均能够显著提高识别系统的综合性能.     

基于时域双谱特征的雷达目标识别

雷达目标高分辨一雏距离像(High range resolution profile,HRRP)是目标散射回波在雷达径向上的投影,具有非高斯、非线性特点.文中从双谱概念出发引入时域双谱概念.分析了HRRP的时域双谱特征.为提高识别性能,定义了Fisher类可分离度函数,以类间可分离度最大化作为特征提取准则,提取一些特征双谱作为HRRP的特征向量.采用基于子空间变换的独立分量分析(Principle component analysis,PCA)和线性判别分析(Linear discriminant analysis,LDA)的特征提取方法进行了对比实验.结果表明,本文方法用于雷达目标高分辨一维距离像识别具有良好的抗喙性能和较高识别率.     

基于非参数化最大间隔准则的雷达目标识别

针对线性判别分析（LDA）的“小样本”和要求数据须服从高斯分布的问题,提出一种基于非参数化最大间隔准则（NMMC）的雷达目标识别方法．首先,利用自相关小波变换提取目标高分辨距离像（HRRP）的非平稳特征,将其与HRRP原信号一起作为目标的分类特征,利用NMMC实现特征提取;然后,通过支持向量机进行分类．NMMC在解决小样本问题的同时,松弛了对数据分布的类高斯要求．最后,基于5种飞机高分辨距离像数据的仿真实验验证了所提出方法的有效性．     

基于EMD-MDGAN的HRRP增扩方法

高分辨率距离像（HRRP）是弹道目标识别的主要特征,由于其为非合作目标因此观测频率极低,导致带标签样本量严重不足,而混合密度生成对抗网络（MDGAN）作为生成HRRP的有效方法,存在模式崩溃、网络不易收敛等问题。提出一种基于误差匹配分布（EMD）改进MDGAN的弹道目标HRRP增扩方法EMD-MDGAN。将生成器、残差网络和注意力机制相结合,通过残差结构解决梯度消失的问题,利用注意力机制提高生成器中自编码器的特征提取能力,并把误差匹配思想引入损失函数设计中,以增强模型的稳定性,使网络更易收敛。实验结果表明,该模型在有效解决模式崩溃问题的基础上,可缩小生成样本与真实样本分布间差异,生成具有一定真实性、可靠性、多样性的数据,实现HRRP数据增扩。     

一种融合多极化特征的雷达目标识别方法

针对高分辨率一维距离像(HRRP)多极化特征信息融合目标识别带来的数据量剧增问题,提出一种基于低维平移不变特征向量和多分类器动态组合的识别方法。该方法首先提取单极化HRRP序列的3种一维特征组成平移不变的特征向量,然后通过动态组合的方法生成总分类器组合进行分类,最后采用加权投票算法融合4种单极化HRRP的分类结果。实验结果显示,该方法在缩减数据规模的同时,有效利用极化信息,得到了较高的分类正确率。     

基于多维特征及BP网络的高分辨雷达目标识别

高分辨雷达目标的识别性能取决于目标特征的提取以及分类器的设计。为解决雷达高分辨距离像（HRRP）的方位、平移和幅度敏感性问题,采用了序贯预处理方法,有效提高了HRRP的信噪比。通过提取能较好反映雷达目标散射点回波特性的多维特征向量,设计BP神经网络作为分类器,提出了一种基于目标多维特征向量以及BP神经网络的高分辨雷达目标识别方法。利用在微波暗室测量获得的三种国产飞机模型回波数据进行目标识别处理,实验结果表明,提出的方法能有效地完成三种目标识别任务,在虚警率低于3%的情况下正确识别率优于95%。     

基于ICA和SVM的SAR图像特征提取与目标识别

提出一种利用独立分量分析和支持向量机的合成孔径雷达图像特征提取与目标识别方法。对图像小波分解后提取低频子带图像,对低频子带图像进行独立分量分析提取特征向量,利用支持向量机对特征向量分类完成目标识别。将该方法用于MSTAR数据中的3类目标识别,识别率最高可达96.92%。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

KDDA在高分辨雷达目标识别中的应用

文章研究了核直接判别分析(kernel direct discriminant analysis ,KDDA)在高分辨雷达目标特征提取与识别中的应用.KDDA算法是传统的LDA算法与核方法的结合,文中讨论了KDDA算法原理,首先将KDDA应用于雷达目标距离像特征提取,求取更易于分类的核投影向量,然后采用支持向量机进行分类,提出了基于核直接判别分析的高分辨雷达目标特征提取与识别方法.用四类目标数据进行了实验,实验结果表明,该方法能够提高目标识别性能.     

改进的雷达高分辨距离像统计识别方法

基于雷达目标一维高分辨距离像的统计目标识别中,需解决两大问题:其一是如何处理距离像对姿态敏感和平移敏感;其二是如何准确地描述距离像的统计特征.直接将一维距离像用于目标识别通常很难取得好的识别效果.将高斯混合模型(GMM)应用到空中目标高分辨一维距离像统计建模中,提出了一种改进的高斯混合模型模糊聚类分析方法并用于目标识别.与传统的k-means聚类算法的仿真结果比较表明,该方法是有效、稳健的,在低信噪比条件下具有较好的识别效果.     

基于复合梯度向量的人脸识别算法

提出了一种新的基于复合梯度向量(Composite gradient vector, CGV)描述的人脸识别算法. 该算法首先在定位后的人脸图像中标定目标区域, 并在目标区域内划分特征子区域, 然后,以特征子区域的边缘奇异点作为向量的起点和终点进行正交采样得到基向量, 将目标区域内所有基向量组建向量簇, 通过对基向量的多维复合得到向量簇内所有极大梯度向量, 最后,以极大梯度向量作为元素组建复合梯度向量并统计复合梯度向量的维度和梯度信息, 将复合梯度向量、复合梯度向量维度和梯度进行人脸库对比, 识别出人脸身份. 该算法抓住了人脸面部特征分散性的特点, 继而对分散性特征采用具有连续性规律约束的复合梯度向量进行描述识别. 实验结果表明, 该算法克服了特征域旋转、光照强度变化及多姿态、多表情对人脸识别的影响, 具有速度快、识别准确、适应性强的特点.     

基于局部特征过滤的快速火焰图像识别方法

传统的基于物理信号的火焰识别方法易被外部环境干扰,且现有火焰图像特征提取方法对于火焰和场景的区分度较低,从而导致火焰种类或场景改变时识别精度降低。针对这一问题,提出一种基于局部特征过滤和极限学习机的快速火焰识别方法,将颜色空间信息引入尺度不变特征变换（SIFT）算法。首先,将视频文件转化成帧图像,利用SIFT算法对所有图像提取特征描述符;其次,通过火焰在颜色空间上的信息特性进一步过滤局部噪声特征点,并借助关键点词袋（BOK）方法,将特征描述符转换成对应的特征向量;最后放入极限学习机进行训练,从而快速得到火焰识别模型。在火焰公开数据集及真实火灾场景图像进行的实验结果表明：所提方法对不同场景和火焰类型均具有较高的识别率和较快的检测速度,实验识别精度达97%以上;对于包含4301张图片数据的测试集,模型识别时间仅需2.19 s;与基于信息熵、纹理特征、火焰蔓延率的支持向量机模型,基于SIFT、火焰颜色空间特性的支持向量机模型,基于SIFT的极限学习机模型三种方法相比,所提方法在测试集精度、模型构建时间上均占有优势。     

高维数据的1-范数支持向量机集成特征选择

特征选择是机器学习和模式识别领域的关键问题之一.随着模式识别与数据挖掘的深入,研究对象越来越复杂,对象的特征维数也越来越高,此时特征选择的稳定性也显得尤为重要.分析了1-范数支持向量机,用该方法对高维数据进行特征选择,并对特征选择的结果进行集成;提出了一种针对高维数据的稳定性度量方法;在基因表达数据上的实验结果表明,集成特征选择可以有效提高算法的稳定性.     

独立环形对称Gabor特征及在人脸识别中的应用

提出了一种基于2D环形对称Gabor变换（2DCSGT）和独立成分分析（ICA）的特征提取方法,并用于人脸识别中。对人脸图像做5尺度2D环形对称Gabor变换;对变换后的图像下采样并采用主成分分析（PCA）进行降维;采用ICA获得人脸图像的独立环形对称Gabor特征（ICSGF）;采用最近邻分类法分类。在ORL、YALE和FERET人脸数据库上,基于ICSGF的人脸识别算法的正确识别率分别达到99.5%、93.33%和97.14%。实验结果表明,ICSGF方法有效可行。     

基于AdaBoost的公交客流量统计算法

为解决复杂场景目标识别中伪目标的干扰问题,采用基于AdaBoost分类的方法分析疑似目标的三维轨迹,结合真实目标的共有的特征信息,进一步分类真实目标与伪目标。首先,根据深度相机获取的深度图像提取疑似目标的人头区域,利用Kalman滤波跟踪得到的二维轨迹。其次,通过摄像机标定将目标的二维轨迹转换为空间中的三维轨迹。最后,利用AdaBoost训练正负样本得到强分类器,进一步分类真实目标与伪目标。实验结果表明,该方法能够有效的提高目标识别的精度,对复杂场景下的目标识别具有良好的适应性。     

A model-based hand gesture recognition system

This paper introduces a model-based hand gesture recognition system, which consists of three phases: feature extraction, training, and recognition. In the feature extraction phase, a hybrid technique combines the spatial (edge) and the temporal (motion) information of each frame to extract the feature images. Then, in the training phase, we use the principal component analysis (PCA) to characterize spatial shape variations and the hidden Markov models (HMM) to describe the temporal shape variations. A modified Hausdorff distance measurement is also applied to measure the similarity between the feature images and the pre-stored PCA models. The similarity measures are referred to as the possible observations for each frame. Finally, in recognition phase, with the pre-trained PCA models and HMM, we can generate the observation patterns from the input sequences, and then apply the Viterbi algorithm to identify the gesture. In the experiments, we prove that our method can recognize 18 different continuous gestures effectively. Received: 19 May 1999 / Accepted: 4 September 2000     

Bangla language modeling algorithm for automatic recognition of hand-sign-spelled Bangla sign language

Because of using traditional hand-sign segmentation and classification algorithm,many diversities of Bangla language including joint-letters,dependent vowels etc.and representing 51 Bangla written characters by using only 36 hand-signs,continuous hand-sign-spelled Bangla sign language(BdSL)recognition is challenging.This paper presents a Bangla language modeling algorithm for automatic recognition of hand-sign-spelled Bangla sign language which consists of two phases.First phase is designed for hand-sign classification and the second phase is designed for Bangla language modeling algorithm(BLMA)for automatic recognition of hand-sign-spelled Bangla sign language.In first phase,we have proposed two step classifiers for hand-sign classification using normalized outer boundary vector(NOBV)and window-grid vector(WGV)by calculating maximum inter correlation coefficient(ICC)between test feature vector and pre-trained feature vectors.At first,the system classifies hand-signs using NOBV.If classification score does not satisfy specific threshold then another classifier based on WGV is used.The system is trained using 5,200 images and tested using another(5,200×6)images of 52 hand-signs from 10 signers in 6 different challenging environments achieving mean accuracy of 95.83%for classification with the computational cost of 39.972 milliseconds per frame.In the Second Phase,we have proposed Bangla language modeling algorithm(BLMA)which discovers all"hidden characters"based on"recognized characters"from 52 hand-signs of BdSL to make any Bangla words,composite numerals and sentences in BdSL with no training,only based on the result of first phase.To the best of our knowledge,the proposed system is the first system in BdSL designed on automatic recognition of hand-sign-spelled BdSL for large lexicon.The system is tested for BLMA using hand-sign-spelled 500 words,100 composite numerals and 80 sentences in BdSL achieving mean accuracy of 93.50%,95.50%and 90.50%respectively.     

One‐dimensional convolutional neural networks for high‐resolution range profile recognition via adaptively feature recalibrating and automatically channel pruning

High‐resolution range profile (HRRP) has obtained intensive attention in radar target recognition and convolutional neural networks (CNNs) are among predominant approaches to deal with HRRP recognition problems. However, most CNNs are designed by the rule‐of‐thumb and suffer from much more computational complexity. Aiming at enhancing the channels of one‐dimensional CNN (1D‐CNN) for extracting efficient structural information oftargets form HRRP and reducing the computation complexity, we propose a novel framework for HRRP‐based target recognition based on 1D‐CNN with channel attention and channel pruning. By introducing an aggregation‐perception‐recalibration (APR) block for channel attention to the 1D‐CNN backbone, channels in each 1D convolutional layer can adaptively learn to recalibrate the extracted features for enhancing the structural information captured from HRRP. To avoid rule‐of‐thumb design and reduce the computation complexity of 1D‐CNN, we proposed a new method incorporated withthe global best leading artificial bee colony (GBL‐ABC) to prune the original network based on the lottery ticket hypothesis in an automatic and heuristic manner. The extensive experimental results on the measured data illustrate that the proposed algorithm achievesthe superiorrecognition rate by combing APR and GBL‐ABC simultaneously.