基于深度学习的光电系统智能目标识别

智能目标识别技术是光电系统多维立体侦察体系的重要支撑,是实现多角度、全方位目标定位、感知分析的基础。为满足复杂环境下光电系统中基于深度学习的目标识别需求,聚焦数据、算法和计算能力三大挑战,提出一种基于多源信息融合的智能化目标识别方法,对多个传感器融合得到的图像进行学习和训练,从而提高目标识别的能力。基于多维图像融合的目标识别技术,将多波段融合图像数据进行标注、训练学习,用来自动识别出图像中的多个目标。实验结果表明,所提算法能够实现对融合目标的精确识别与定位。     

基于多光谱与显著性的红外弱小目标融合检测

基于多光谱与显著性,提出一种红外弱小目标融合检测算法。该算法旨在将从多光谱探测器获得的同一场景的多光谱图像信息组合到一起,利用它们在时空上的相关性及信息上的互补性,提高系统的检测性能。采用一种新的基于人类视觉注意机制的显著性方法,该方法能够快速准确找到图像中的显著性区域;将目标看作一类,背景和干扰点看作另一类,选取离差平方和准则,使类内距离最小,类间距离最大;训练出融合参数,得到融合后的显著性图像。通过设定的门限值二值化,可以看出该融合方法能很好地将目标与背景分开,从而检测出目标。     

基于深度学习的红外图像遮挡干扰检测方法

红外成像体制进行目标探测和识别时,烟幕、云雾等遮挡类干扰会改变目标特征导致目标识别错误。通过对遮挡干扰区域进行定位和类型判断,在识别处理时进行针对性处理可大大降低识别虚警率,提高识别的抗干扰能力。为此,提出一种基于深度学习单通道检测器改进的红外图像厚云、烟幕遮挡干扰检测方法。该方法通过网络多层特征的复用和融合,实现了多尺度预测;利用动态锚框模块改进锚框机制,提高了检测精度;将网络中的卷积层与批归一化层合并,提高了检测速度;引入中心损失函数对分类函数进行优化,提高了网络对遮挡物的分类能力。在网络训练过程中,提出一种红外样本增广方法,对数据量进行有效扩充,解决了红外图像训练样本获取难的问题。实验结果表明,与未改进前的算法相比,在速度基本相同情况下改进的遮挡干扰检测方法检测精度提高3.7％,有效地解决了复杂环境下红外自动目标识别系统抗干扰能力较弱的问题。     

无线传感器网络仿真中的目标定位问题

针对在无线传感器网络仿真平台的设计里,单个可见光传感器无法获得运动目标的距离信息,无法实现运动目标的定位及多传感器的信息融合的问题,提出一种基于多个可见光传感器数据融合的运动目标定位方法。该方法将数字图像处理与数据融合技术相结合,采用运动目标检测与识别技术确定目标个数与种类,运用数据融合技术融合多个传感器的识别结果及节点位置信息,很好地解决了仅利用可见光传感器仿真的情况下,运动目标在监控场景里的定位问题。     

基于小波变换和形态学的目标图像增强算法

基于图像视觉信息的目标检测与识别一直是研究的重点和难点,针对复杂坏境的图像呈现出对比度低,强噪声干扰,灰度集中的特点,提出了一种基于小波变换理论和数学形态学的目标图像增强方法;首先对图像进行了小波变换,提取高频分量系数,其次利用阈值算法对图像进行降噪处理,最后对图像进行形态学交替滤波得到增强后的图像;实验表明:该检测算法对提高信噪比,增强目标有很好的效果,适合与目标检测与识别,算法在性能上优于传统的单一算法。     

基于粒子滤波的目标图像多特征融合跟踪方法

研究了序列图像中红外弱小目标的检测跟踪问题.基于多特征融合的小目标检测算法具有较好的检测性能和适应性,而粒子滤波则是一种处理非线性和非高斯动态系统状态估计的有效方法.结合两种算法的优点,提出了一种基于粒子滤波的目标图像多特征融合跟踪方法.从红外序列图像中提取了局部灰度均值对比度、局部梯度均值对比度、局部熵和灰度分布四个典型特征,根据各个特征对弱小目标检测的贡献,自适应地进行特征融合.在粒子滤波的框架下,将融合后的特征信息转化为粒子的权值,对红外弱小目标进行跟踪.仿真试验表明,该算法有着良好的检测与跟踪性能.     

一种基于差帧图像融合的弱小目标增强方法

为了能够在小目标检测时更加容易和准确的检测出弱小目标,提出了一种基于差帧图像融合的弱小目标增强算法,该方法首先对视频相邻帧进行差帧处理,然后对差帧结果进行图像融合,最后把融合结果与原视频帧图像的低频分量进行差分运算获得增强图像.实验结果表明该方法的正确性,实现了对弱小目标的有效增强.     

基于模板匹配的前视红外目标识别方法

针对固定目标红外图像中边缘模糊,难以分割和识别的情况,提出了一种基于模板匹配的目标识别方法。由高程数据和正射影像等卫星数据生成目标区参考图和基准图,在基准图中根据归一化Laplace响应确定目标区特征尺度作为目标检测的先验知识,对实时图及灰度反转实时图进行匹配滤波,检测出候选区域,再对候选区域进行基于Hausdorff距离的模板匹配,从而得到最终识别结果。实验结果显示:该算法识别精度高、速度快,对于复杂地面目标前视红外图像的匹配识别具有一定的应用价值。     

基于红外图像与可见光图像特征融合的目标检测算法

对可见光与红外图像融合目标检测问题进行了研究,提出了一种针对目标检测任务的特征融合算法。采用端到端的神经网络方案,将可见光与红外图像同时输入神经网络,分别进行特征提取,后对提取的特征进行融合,再对融合的特征进行目标检测,最后输出检测结果。与一般先融合出一张图片再检测的方法比较,特征融合算法可以保留原始图像的特征,并根据目标检测的结果对特征进行挑选及融合,避免先融合图像造成的信息损失。红外图像能够弥补可见光图像的不足,适应不同光照强度及天气情况。针对目标检测的特征融合方法有效利用了纹理信息及热辐射信息,检测效果优于单独利用可见光或红外图像的方法。     

移动机器人目标识别与定位算法发展综述

通过对移动机器人目标识别与定位算法中传统的目标识别算法、基于深度学习的目标识别算法和基于各类传感器的目标定位算法的特点进行综合分析,得出了2点启示,也是以后有待解决的关键技术:1)减小算法计算量以降低对硬件性能的依耐性;2)将目标识别算法与定位算法相融合以实现实时的目标识别与定位.