一种PSO改进的颜色注意目标识别算法

颜色注意的目标识别算法有效提高了目标识别性能,但参数设置正确与否对识别性能有重要的影响,如何有效设计并搜索参数空间确定合适的参数成为该算法有待解决的问题.本研究设计关于颜色注意识别算法参数空间的粒子个体结构,以识别率为适应度衡量指标,应用PSO算法自动搜索参数空间.实验结果表明:应用PSO算法可以得到比原颜色注意识别算法更优的参数,有效地提高了目标识别率.本研究对仿生优化算法在目标识别中的应用有参考作用.     

微型航天探测器目标识别算法研究

微型航天目标探测器主要是对空间目标探测识别,然而在微型航天探测器在空间对目标物成像时目标物、背景和探测器之间存在相对运动,目前还没有好的运动背景中运动目标识别的算法.因此,针对微型航天探测器在星空背景下对目标物识别的要求,提出了把图像配准与双差分法相结合目标识别的算法.该算法对连续采集的三帧图像中的前两帧和后两帧分别进行配准,差分,二值化,然后将两副二值化图像逻辑乘,识别出目标.计算机仿真的结果表明该算法计算量比较小,对目标的识别效果好.因而,基于图像配准的双差分法是一个相对较好适用于微型航天探测器对空间目标探测识别的算法.     

基于骨架序列提取的异常行为识别

视频监控系统中的人员异常行为识别研究具有重要意义.针对传统算法检测实时性和准确性差,易受环境影响的问题,提出一种基于骨架序列提取的异常行为识别算法.首先,改进YOLOv3网络用以对目标进行检测、结合RT-MDNet算法进行跟踪,得到目标的运动轨迹;然后,利用OpenPose模型提取轨迹中目标的骨架序列;最后通过时空图卷积网络结合聚类对目标进行异常行为识别.实验结果表明,在存在光照变化的复杂环境下,算法识别准确率达94%,处理速度达18.25 fps,能够实时、准确地识别多种目标的异常行为.     

针对潜望镜的舰船目标识别算法的研究

鉴于潜望镜智能化程度不高的现状,对以潜望镜识别水面舰船为应用背景的目标识别算法进行了研究.算法选择Zernike矩不变量作为识别特征,并且利用基于上层建筑的矩不变量以提高特征的分类能力;同时还对舰船目标的观察空间进行形态划分,减少目标表示所需图像数量,提高识别效率.仿真试验验证了识别算法的有效性.     

基于盲分离技术的多目标识别仿真研究

针对智能引信应用中需要解决的多目标识别问题,提出基于盲分离技术的解决方案,建立了信号盲分离问题的模型,设计了盲源数估计算法以及两种不同的盲分离目标识别算法,并利用在消声室获得的多源目标的声信号对算法性能进行仿真分析.结果表明:基于四阶累积量的盲源数估计算法可以有效判定信源个数;在存在测量时延的情况下,卷积信号盲分离目标识别算法能够实现多目标源的识别.     

低分辨雷达目标分类的最小代价拒判算法

为解决低分辨雷达目标自动识别中,干扰目标、虚假目标的存在以及不同类别目标样本集混叠的问题,提出了一种基于最小代价的拒判K近邻识别算法.该算法根据雷达识别系统最小代价的原则,利用Fisher判别函数,确定拒判门限.设计了基于两类拒判域的K近邻识别算法,第一类拒判根据训练样本集特征值的波动范围,对干扰目标和虚假目标进行拒判;第二类拒判根据测试样本与最近邻、次近邻的距离差,实现混叠区域的目标样本拒判.算法先对测试样本进行拒判分析,再利用K近邻算法识别分类.实验结果表明,基于以上算法的低分辨雷达目标识别系统具有较好的鲁棒性和识别性能.     

不均衡样本下的低分辨雷达目标识别算法

针对传统低分辨雷达目标识别算法在样本不均衡条件下目标识别率较低的问题,提出了基于分段损失函数的卷积神经网络(Convolutional Neural Network,CNN)低分辨雷达目标识别算法.算法首先使用CNN自动提取数据深层本质特征,然后通过引入衰减参数,使CNN在不同的训练阶段采用不同的损失函数,最后将损失反向传播优化权值以提高识别效果.仿真结果表明,提出的基于分段损失函数的CNN低分辨雷达目标识别算法较传统基于加权支持向量机(weighted Support Vec-tor Machine,WSVM)的识别算法识别率提高了 10.38％,较基于交叉熵损失函数的CNN识别算法识别率提高了 6.37％,充分证明了所提算法的有效性.     

一种基于对数极坐标变换的快速目标识别算法

在目标识别的过程中,观察目标图像相对于基准目标图像会存在尺度、方向和位置的变化,使得识别速度和准确率降低. 针对这一问题,提出了一种快速对数极坐标变换算法,加快了从笛卡儿坐标转换到对数极坐标的过程. 通过采用双轴投影相似度分析算法对目标图像进行匹配,进一步加快了识别速度,同时保证了匹配的可靠性. 理论分析和试验结果表明,该算法在计算效率和目标识别正确率方面具有较好的性能.     

基于数据融合的战场声目标识别系统算法研究

现代战争越来越多地使用高科技武器,各种武器车辆坦克的声音相互混叠,进行声目标识别是极有挑战性的.为了在嘈杂的战场环境中多传感器网络仍能正确识别各种目标信号,结合无线多传感器网络的特点和数据融合理论,设计出了适合于战场环境的声目标识别算法.使用小波包进行预处理及特征提取,人工神经网络进行分类识别,并运用数据融合算法得出最终识别结果.通过对采集到的声目标信号进行识别,结果表明方法应用于战场声目标识别中是可行有效的.     

旋翼无人机变速下的多图像目标监测仿真

旋翼无人机在变速状态下的多图像目标识别对飞行性能有着重要的影响.旋翼无人机变速状态下,采集的多目标图像受到飞行不定速度的影响,造成采集的识别目标图像之间会出现可识别特征叠加、特征纯正缝隙和重叠等问题,造成可识别图像特征不连续.利用传统算法识别飞机变速下采集的多目标图像特征,无法对不联系的图像特征进行建模,一旦发生飞行速度变化,会造成无人机多目标识别结果出现较大偏差.提出采用经验模态分解算法的旋翼无人机多目标识别方法.根据旋翼无人机采集的不同目标的航拍图像,进行经验模态分解,针对分解结果进行重构,实现变速下多目标航拍图像融合.将融合处理后的结果,进行特征点提取和空间位置计算,实现旋翼无人机的多目标识别.实验结果表明,利用改进算法进行旋翼无人机的多目标识别,能够提高变速下多图像目标识别的准确性.     

基于双基点法的多传感器数据融合

针对具有多个特征指标的多传感器目标识别问题,提出一种基于双基点法的信息融合方法.该方法根据指标隶属度矩阵将多传感器目标识别问题转化为多目标决策问题.通过定义熵权和相对接近度,改进了传统的双基点法,从而给出目标识别算法.该方法利用熵权较好地避免了目标识别受主观因素的影响,特别适用于具有多个特征属性的多个目标的识别.仿真实例验证了所提出算法的有效性和可操作性.     

模糊AdaBoost算法在SAR图像目标识别中的应用

提出了一种AdaBoost算法的多类别推广方法,并将推广后的算法应用于合成孔径雷达图像目标识别中.针对AdaBoost基本算法只考虑两类分类的情况,对算法进行多类别推广,用"一对一"方法将多类别分类问题分解为多个两类分类问题,用模糊方法对多个两类AdaBoost分类器的输出进行决策判决,得到最终分类结果.将推广后的模糊AdaBoost算法应用于SAR图像目标识别,用MSTAR数据库中3个军事目标进行识别实验.实验结果表明,该算法可有效应用于SAR图像目标识别.与其他分类算法相比较,可获得较高的目标正确识别率.     

基于灰关联分析的声目标识别

提出了一种基于灰关联分析的声目标识别算法.该算法提取坦克、直升机和汽车声信号的线性预测系数特征作为关联参数,通过比较声信号的灰关联值实现目标识别.在白噪声背景下,结合谱相减法,通过提取坦克声信号特征识别,仿真表明:灰关联算法可以从信息不完全、关系不明确的坦克声信号中提炼主要因素进行识别,其实现方法简单,识别率较高.因此该算法在声目标识别中具有可行性.     

基于图像信息和BP网络的机器人目标识别技术研究

自主移动机器人的目标识别问题是应用视觉研究的焦点之一.本文以自主型足球机器人的目标识别问题为研究对象,应用BP网络对包括足球机器人常规识别目标在内的10种目标进行了识别.从而扩展了自主机器人的目标识别范围,为主动视觉中的目标识别问题提供了一种新的解决思路.实验结果验证了这种识别算法的有效性.     

长视距空战中可疑目标的快速识别模型仿真

研究长视距空战中可疑目标的快速识别问题,由于在长视距空战中,可疑目标与空中识别设备之间存在较长的距离,采集目标比较弱小,特征模糊.目标一旦过于接近,会形成堆积盲区,传统的识别方法在遇到远距离可疑目标时,由于距离太远,会出现目标堆积盲区,导致对目标分割出现错误,无法准确识别目标.为解决上述问题,提出采用主成分聚类算法的长视距空战中可疑目标的快速识别方法.针对可疑目标采集大量的计算机视觉图像,提取计算机视觉图像中可疑目标的特征,将上述特征作为可疑目标识别的依据.针对所有的可疑目标识别特征,进行可疑目标的快速识别,并对识别到的可疑目标进行累加运算,实现可疑目标的智能识别.实验结果表明,利用改进算法进行长视距空战中可疑目标的快速识别,能够极大的提高识别的准确性.     

基于迁移学习的水声目标识别

海洋声场环境的时变空变特性、水声目标发声机理的多源性以及其他噪声源的干扰,给水声目标的检测和识别带来很多困难.常规的目标识别手段主要是基于音频时频域特征分析,在复杂海洋环境下的难以获取有效的表征特征及鲁棒的识别效果.为了解决这些问题,本文提出了基于迁移学习的水声目标识别,分别利用预训练网络VGG和VGGish提取深层声学特征及模型微调,实现水声目标的分类识别.实验表明,本文提出的识别算法有效提升了识别准确率,减少了训练时间,基于微调的迁移学习算法在水声目标识别上平均准确率为92.48%,取得了当前最好的识别结果.     

基于支持向量机的图像飞机目标自动识别算法研究

为了能够快速、准确地识别飞机目标,文章给出了一种基于支持向量机的飞机目标自动识别方法;采用Touzi边缘提取,得到目标形状参数的几何特征,Hu不变矩等16个特征矢量作为SVM的训练样本,通过SVM训练得到飞机目标识别模型,从而完成飞机目标的自动识别;试验结果显示.该算法对不同尺度和模糊程度的飞机目标的识别度可达99%;该算法减少了样本训练时间,在提高识别准确率的同时降低了算法的复杂度,具有识别度高、识别速度快的特点,可用于飞机目标的快速识别。     

基于时-距包围盒目标截取的超宽带雷达多人步态识别

为解决超宽带(UWB)雷达多人识别的目标分割问题,提出了一种基于时-距包围盒(TRBB)的UWB雷达回波数据表示方法及TRBB截取算法,结合卷积神经网络(CNN),一起实现了一种多人步态识别算法框架.框架中,TRBB截取算法包括人体目标检测与快、慢时间分割,前者通过k-means聚类方法获取人体HRRP几何中心,后者利用HRRP几何中心作为参考点,通过截取信号矩阵中的TRBB目标子矩阵,从而实现多目标分离.可以看出,TRBB截取算法既可用于目标识别,也可用于目标跟踪.考虑到CNN擅长挖掘图像的隐含特征,框架选用CNN来学习TRBB中蕴含的步态特征是一个自然的选择.实验室条件下,测试了上述多人步态识别算法框架的性能,平均步态识别准确率达89.3％.     

空中回转体目标识别算法的研究

为加强空中回转体目标识别的智能化程度,提高目标识别率,对目标图像的不变矩特征与BP神经网络相结合的空中回转体日标识别方法进行了研究.以给出权值的方式引入Relief算法对目标图像的7个Hu氏不变矩、3个仿射不变矩的识别性能进行科学的评估.选出权值较大的特征量作为BP神经网络的输入特征来训练网络,识别样本.模拟实验表明:引入Relief算法对空中回转体目标不变矩选择的目标识别方案是有效的,应用Relief算法选择出的特征项作为神经网络的输入特征不但减少了特征量提取的采集次数,降低了算法的计算量,而且,可使网络更易于收敛.且提高了目标物的识别率.     

基于轮廓分段特征可信度的遮挡目标识别算法

针对传统目标识别算法在目标遮挡情况下识别准确率较低的问题,提出一种基于轮廓分段特征可信度的遮挡目标识别算法.为获取有效分段,提出了基于弯曲度的轮廓分段优化算法,首先根据轮廓曲率分布进行初步分段,再根据分段的弯曲度进行分段优化,得到有效分段.然后用重要性和局部性两个参数对分段的特征可信度进行评价.在此基础上提出加权相似度...