CNN特征与BOF相融合的水下目标识别算法

为了改善作为低级表示的尺度不变特征变换(scale invariant feature transform, SIFT)匹配常出现的没有足够特征来防止假匹配的问题,提出在传统方法“词袋”(bag of features, BOF)算法中融合具有较好语义分割能力的卷积神经网络(convolution neural network, CNN)特征来提高识别率的方法。利用ImageCLEF网站的LifeCLEF鱼类视频,制作目标图像数据库。在caffe平台的Alexnet模型进行卷积神经网络的训练,提取图像库和查询图像的特征。利用训练好的CNN特征在Matlab软件进行识别试验验证,计算汉明距离来验证匹配效果。改变参数值来观察不同汉明距离阈值对水下目标识别结果的影响。自制图像库的试验表明,融合深度学习的特征可以有效提高BOF算法的水下目标识别率,对汉明距离阈值的选择需要根据实际情况选择合适的参数。     

联合互信息水下目标特征选择算法

在特征选择算法中,穷举特征选择算法可选择出最优特征子集,但由于计算量过高而在实际中不可实现。针对计算成本和最优特征子集搜索之间的平衡问题,提出一种新的用于水下目标识别的联合互信息特征选择算法。这个算法的核心思想是:利用顺序向前特征搜索机制,在选择出与类别具有最大互信息特征的条件下,选择具有更多互补分类信息的特征,从而达到快速去除噪声特征和冗余特征及提高识别性能的目的。利用4类实测水下目标数据进行仿真实验,结果表明:在支持向量机识别正确率几乎不变的情况下,联合互信息特征选择方法可以减少87%的特征,分类时间降低58%。与基于支持向量机和遗传算法结合的特征选择方法相比,可以选出更少的特征,特征子集具有更好的泛化性能。     

基于稀疏表示的多类融合样本中特定目标识别

针对WSN及轮廓检测系统的特点,给出了一种基于WSN的数据处理方法。该方法首先通过主分量分析提取样本特征,然后采用叠加方式对不同样本的特征进行融合,给出数学模型;并以此模型为基础,提出一种新的基于稀疏表示的多类融合样本中特定目标识别算法,该算法根据超完备字典下主要非零系数的分布情况识别出特定目标;数值仿真与实验结果验证了本文算法的有效性,综合性能优于传统方法。     

一种高性能目标识别融合算法

考虑到目标类型和传感器扫描次数对识别的影响，提出了一种改进的多传感器多目标识别相关算法，导出了新的累积融合公式。对多传感器多目标识别融合作了计算机模拟，模拟结果证实了改进的算法在性能上有明显的提高。     

基于通道注意力与特征融合的水下目标检测算法

水下光学图像存在色偏、低对比度、目标模糊的现象,导致水下目标检测时存在漏检、误检等问题。针对上述问题,提出了一种基于通道注意力与特征融合的水下目标检测算法。基于通道注意力设计了激励残差模块,将前向传播的特征信息进行自适应分配权重,以突出不同通道特征图的显著性,提高了网络对水下图像高频信息的提取能力;设计了多尺度特征融合模块,增加了大尺度特征图用于目标检测,利用其对应的小尺度感受野提高了网络对小尺寸目标的检测性能,进一步提高了网络对水下不同尺寸目标的检测精度;为提高网络对水下环境的泛化性能,设计了基于拼接和融合的数据增强方法,模拟水下目标的重叠、遮挡和模糊情况,增强了网络对水下环境的适应性。通过在公共数据集URPC上的实验,与YOLOv3、YOLOv4和YOLOv5相比,所提算法的平均精度均值分别提升5.42%,3.20%和0.9%,有效改善了水下复杂环境中不同尺寸目标漏检、误检的问题。     

水下目标特性特征提取及其融合

为解决基于回波法水下目标分类与识别问题,从水下目标回波的弹性亮点特性、多分量特性和能量积分特性出发,利用频域离散小波变换(FDWT)、希尔伯特谱(Hilbert谱)、希尔伯特边际谱、分数阶傅里叶变换(FRFT)4种时-频分析方法从不同角度对目标回波与混响进行分析.对所提取的特征进行压缩与融合,利用支持向量机完成对水下目标和混响的分类与识别.文中给出了发射换能器以不同掠射角工作时4种时-频特征及其融合特征的识别率.实验结果表明,随着掠射角的增大,总体识别率呈现升高的趋势,融合特征可以有效提高识别率.     

一种水下目标识别的最大信息系数特征选择方法

由于未经选择的特征集合中包含的无关特征和冗余特征会导致识别性能和识别效率的下降,特征选择是识别任务中的重要步骤。然而,基于辐射噪声识别水下目标时,由于目标的多样性和水声信道的复杂性,提取的声学特征之间存在多种线性相关之外的复杂关系。针对此问题,以归一化最大信息系数度量特征与类别之间的相关度以及特征之间的冗余度,提出了基于归一化最大信息系数的特征选择方法(NMIC-FS),并在实测数据集上以随机森林和支持向量机等模型估计的平均分类精度评估其性能。水下目标数据分析结果表明,与未选择前相比,NMIC-FS所得特征子集性能在更短的分类时间得到更高的分类正确率。与相关特征选择法、拉普拉斯分数法和套索法等方法相比,NMIC-FS在特征选择过程中能更迅速地提升分类正确率,可用更少的特征得到与使用特征全集时相当的分类正确率。     

物联网环境下异构传感数据融合目标识别算法

在对运动目标进行识别过程中,不同视角使运动目标姿态多变,传统算法的单一特征描述目标能力有限,导致识别精度下降,因此设计一种物联网环境下异构传感数据融合目标识别算法.首先建立异构数融合模型,通过关联处理剔除冗余数据,利用转换坐标系的方法完成多传感器的空间对准;利用直方图特征法结合二维傅里叶变换,提高相位谱图像对比度,取得...     

具有分形特征的水下目标识别

利用分形理论对非平稳的舰船辐射噪声信号进行了研究,计算了不同舰船目标的分形维数,构造了具有分形维参数的特征矢量,并通过自适应神经网络作了分类实验。研究表明,分形维数值可以作为水下目标分类的一个重要参数,同时也是其它特征提取方法的一个有效补充。     

基于特征融合的水下目标识别方法

针对传统Hu氏不变矩易受摄像头径向畸变影响造成水下目标识别率低的问题,提出一种基于改进的Hu氏不变矩提取形状特征的方法,该方法依据摄像头的径向畸变模型重新恢复目标像素坐标与其灰度值的映射关系,构造出新的具有平移、缩放和旋转不变形的形状特征向量.同时为消除形状特征向量信息间的冗余问题,根据相关向量线性组合不改变向量自身性...     

基于支持向量机和遗传算法的水下目标特征选择算法

基于统计学习理论和遗传算法理论，提出了一种基于支持向量机和遗传算法相结合的水下目标特征选择算法。通过对实测数据的特征集的优化选择实验，证明了该算法的有效性和鲁棒性，它能较好地解决在复杂水下目标信号所提取的特征维数高，样本采样困难，数目偏少的实际情况下的分类识别问题。     

运动目标识别算法研究

本文介绍了几种广泛引起重视的特征描述算法,并对其性能作了定性的评价,提出了一种以二维付立叶变换为基础的运动目标形状描述算法,该算法可用于对目标进行粗分类。     

基于深度学习的水下目标姿态识别

水下安静型目标主动探测与识别问题中,确定目标与发射装置的相对姿态是目标探测的关键。本文结合水下目标声散射回波机理,对目标的声散射回波成分进行信号特性分析,结合分数阶傅里叶变换对声散射回波进行特征提取;利用循环神经网络保存目标回波时间序列信息,实现对序列信号的动态建模;分别将分数阶傅里叶域特征与频谱结构特征作为训练对象,构建水下目标回波角度识别模型并进行对比,实现对不同声波入射角度下目标回波的分类识别。水池实验数据处理结果表明:本文提出的分数阶傅里叶特征与长短期记忆系统结合的深度神经网络模型,各项评估指标均优于以频谱结构为训练特征的深度网络模型,验证了本文方法对目标姿态识别的有效性。     

基于样本的棉花异性纤维识别算法

异性纤维在棉花中虽然占得比重很小,但危害很大,直接影响着纺织品的质量.传统的异纤检测识别算法多采取固定阈值法,但是由于检测对象是高速运动的棉花流,光照易产生波动,采集的图像也会相应变化,因此误识别率就会增加.而有样本识别算法采集适量的分类样本库,识别结果稳定,可以消除这一缺陷.分析棉花中异性纤维的图像特征,对重要图像特征进行增强,提取异纤的特征,识别算法引入欧几里德距离,采用K近邻分类,从而识别出异纤,并进行仿真实验,实验结果表明该识别算法识别效果好、速度快.     

水下机器人运动规划中多目标遗传算法的选择方法

为探讨多目标遗传算法的选择方法对优化结果的影响,本文以水下机器人为对象,对多目标遗传算法的选择方法进行了分析和研究,提出了变权重系数法并对选择公式进行了修正,以水下机器人“Twin-Buger”为对象,进行运动规划的算例验证了本文所提出方法的有效性和可行性。     

一种新的基于分形特征融合的图像目标识别算法

提出了一种基于多分形特征融合的目标识别算法.在此算法中,将分形理论与D-S证据融合理论相结合,提取或构造了分形特征,设计了合理的概率分配函数,并对所提出的算法进行了仿真研究,并将此算法的识别结果与基于单分形特征的识别算法、基于神经网络的目标识别算法进行比较,结果表明本算法是可行的和有效的.     

基于高分辨距离像子带融合的目标识别新算法

针对雷达高分辨距离像(HRRP)目标识别问题,提出一种最大相关系数投票准则子带融合识别算法。对目标回波进行子带划分,分别进行幂变换预处理获得子带距离像,通过实验证明HRRP不同频段的子带距离像均含有目标信息,可以从中提取特征信息用于目标识别。理论分析表明新算法计算复杂度低,可实际应用于雷达自动目标识别。实验仿真显示,新方法不仅能够利用回波信息提高识别率,还具有拒判功能,可提高目标识别的准确度。     

运动目标检测与识别算法的研究

传统的运动目标检测方法不能精确检测目标发生仿射形变,为此提出一种动态模板匹配改进算法。该算法首先利用改进后的瞬时差分算法对序列图像中的运动物体进行检测和定位,提高检测与识别的实时性;其次,采用仿射不变矩作为提取目标时的不变特征,从而克服不能有效检测与识别时发生仿射形变目标的缺点。实验仿真结果表明,该算法优于传统的动态模板匹配算法。     

视觉感知的目标识别算法

针对图像的目标识别问题,采用视觉感知的方法,模拟感受野的分层信息处理机制,并引入神经元间的侧抑制机制,对神经元响应进行筛选,通过检测视觉基本特征的方式识别图像中的目标.算法首先在简单细胞的感受野中对图像进行预处理;其次,在复杂细胞的感受野中,将简单细胞的感受野刺激进一步拓扑特征提取,得到感受野刺激响应;最后,通过侧抑制机制对响应神经元筛选,找出对刺激响应较强烈的神经元,将其输出作为目标识别的参数标准.实验结果表明,基于视觉感知的算法可以用少量样本解决大量图像中的目标识别问题,识别率高于边缘检测和图像分割方法,算法的目标识别率达到95.56%.