基于两步位操作匹配的实时目标识别跟踪算法

针对视频图像,提出了一种两步二进制位操作的目标识别跟踪算法。该算法基于改进的二进制鲁棒角点算法(BRISK),对特征描述符建立方法及匹配算法进行了改进:提出了采样点对选择策略和幅值-旋转两级描述符的建立方法;在特征点匹配阶段,提出"移位"结合"异或"的两步位操作特征匹配算法,并通过部分匹配及检测汉明重量阈值的方式进一步加快算法执行速度。实验结果表明,该改进方法具有较快的运算速度,目标平均跟踪速度达到80fps以上,且内存需求量小,更好的满足了视频图像目标实时识别跟踪的应用要求。     

无源射频识别系统中前缀分段匹配ニ进制防碰撞算法

射频识别(RFID)防碰撞算法中,识别速度、标签平均响应次数和可靠性是衡量算法性能的重要指标。QT( Query Tree)算法以适用于低成本标签而闻名,针对QT算法识别速度慢、标签平均响应次数多的缺点,提出前缀分段匹配二进制算法：针对标签ID由几个不同含义区间段组成的特点,读写器利用历史识别的标签ID组成一个前缀库;在识别未知标签的ID时不断进行匹配,并尝试着用前缀库中存储的前缀作为标签ID的前缀。仿真实验证明,在假设某个特定读写器识别标签ID的类别有限的情况下,前缀分段匹配二进制防碰撞算法畿够将QT算法的识别速度提高约3倍、标签响应次数降低为1／4左右、系统传输通路平均吞吐率约提高3倍。     

多特征互补的红外与光学图像匹配方法

针对光学与红外图像灰度差异大,经典的SIFT算法容易造成误匹配的问题,提出了一种采用互补特征进行匹配的方法。在特征检测阶段,结合两种互补的尺度不变特征检测子DoG和Harris-Laplace来检测团块类和角点类结构,同时为了消除DoG检测子对匹配率的影响,在不影响特征表征性的同时,在更大邻域范围内搜索特征,有效减少了误匹配点数。实验结果表明,文中方法对于多源图像的匹配,能有效增加匹配点数,提高正确率。     

一种基于显著性的红外弱小目标检测方法

红外弱小目标检测是目标识别等领域的研究热点。考虑到红外弱小图像中目标信噪比较低,且成像目标的尺度变化较大,构建一种同时考虑局部显著性特征和全局显著性特征的红外弱小目标检测框架。构建一种基于多尺度卷积核的显著性目标检测算法,将该算法与谱残差算法分别进行显著图计算;在得到局部和全局显著图后,采用形态学方法进行显著图的融合以及自适应阈值方法进行二值分割。在给定的公开数据集上的实验结果表明,该方法相对于基准的显著性算法,在目标检测的准确性和虚警率上均有明显优势。     

基于灰度特征编码的快速景象匹配方法

为解决复杂条件下快速目标匹配的问题。提出一种基于分形编码思想的景象匹配方法。基本原理是将图像分成小块。通过各个块灰度值之和的比较进行编码,提取图像中与分辨率无关的灰度特征,得到特征编码矩阵,再采用NNPROD算法作为相关性度量函数进行匹配。实验结果表明。该方法使匹配速度大幅提高,对不同分辨率、各种噪声的图像均能快速准确匹配,体现了很好的鲁棒性和适应性。     

图像制导的目标匹配算法与系统设计

根据航拍地形图像和目标图像的特点,提出Zoser图像匹配算法用于图像导航与制导.Zoser算法主要由高斯Zoser图像金字塔、24邻域极值点和SIFTl28描述符等组成.Zoser算法使用整型数据,结构简单,二级算法独立性好,易于模块化设计;根据这些特点提出了基于FPGA和多DSP的系统设计方案,系统具有较好的实时性和图像匹配目标识别性能.Zoser算法对图像位移、旋转、仿射变换、尺度变化、噪声影响、轻微形变和照度变化有较好的鲁棒性,识别和匹配的准确性较好,速度比SIFT算法提高3倍左右,更适合实时系统.     

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。     

基于圆环域描述的改进快速SIFT算法

针对快速SIFT(Scale Invariant Feature Transform)算法去掉高斯加权环节,导致算法稳定性下降的不足,对快速SIFT算法中的特征描述子进行了改进,用圆形代替矩形并对区域进行分层,越靠近关键点层数越多,相当于对中心区域进行了加权,并通过仿真给出了最佳加权层数和特征描述子方向数。仿真实验表明:该算法不但满足了匹配正确率和实时性的要求,而且具有很高的稳定性和鲁棒性,能够满足目标跟踪的实时性要求。     

基于多尺度局部对比度和多尺度梯度一致性的红外小弱目标检测算法

针对复杂背景和强杂波干扰下红外小弱目标检测虚警率高的问题,提出了一种基于多尺度局部对比度方法与多尺度梯度一致性方法的红外小弱目标检测算法。利用多尺度局部对比度方法对红外图像中红外小弱目标进行增强,利用多尺度梯度一致性方法剔除复杂背景和强杂波干扰造成的虚警。从信噪比（SNR）增益、平均残留背景绝对值、检测率、虚警率及ROC曲线方面将新算法与max-mean算法、max-median算法、top-hat算法、IPI算法及MGDWIE算法进行了对比。实验显示：新算法相较于对比算法具有更高的SNR增益、更低的平均残留背景绝对值、更高的检测率及更低的虚警率。对比结果表明：新算法在复杂背景和强杂波干扰下具有良好的红外小弱目标检测准确性和鲁棒性,有效改善了复杂背景和强杂波干扰下红外小弱目标检测虚警率高的问题。     

基于高斯-拉普拉斯滤波的增强局部对比度红外小目标检测算法

针对单帧图像红外小目标检测算法在低空复杂背景下虚警率高的问题，提出一种基于高斯-拉普拉斯(LOG)滤波的增强局部对比度算法来检测低空复杂背景下的红外小目标。通过LOG滤波运算快速提取候选目标像素，同时通过像素灰度指数运算增强目标。根据局部区域目标与背景的灰度特征计算目标显著图，通过自适应阈值分割提取目标。针对不同的低空复杂场景，构建了测试数据集，从信噪比增益、背景抑制因子、检测率、虚警率及算法计算效率方面将所提算法与Top-Hat算法、Max-median算法、RLCM算法、IPI算法及MPCM算法进行对比分析。实验结果表明，在不同场景中，所提算法相较于对比算法不仅具有较高的信噪比增益和背景抑制因子，而且具有较高的检测率、较低的虚警率和较高计算效率，验证了该算法的有效性和鲁棒性。     

基于字典学习的实时运动目标跟踪算法

采用提取图像的尺度不变特征可以获得较好的匹配跟踪效果,但该特征提取方法比较耗时。针对这一问题,提出了一种鲁棒的实时目标跟踪方法。该方法通过提取目标的多尺度平移、旋转特征来构建字典,提高了算法的鲁棒性。利用所构建的字典来表示待跟踪目标集特征,查找与目标模板最近邻的待跟踪目标,即可确定跟踪的最终结果。试验结果表明,这种基于字典学习的实时跟踪算法可以鲁棒实时地跟踪单目标。     

基于规范化LoG的尺度不变性兴趣点检测子

在图像匹配、目标识别、视频检索等应用领域中,当尺度发生变化的时候,现有灰度检测子的检测效果会明显下降。为了克服上述缺点,构建了一种尺度不变性检测子：迭代的Harris-Laplace检测子(Ite-HL-Det)．首先在多尺度的情况下使用Harris角点检测子提取初始点;然后,在整个尺度空间内使用迭代法,根据规范化拉普拉斯方程的局部极值确定某局部结构的特征尺度,并使用Harris度量来最终确定兴趣点的空间位置;同时,比较全面的给出了特征尺度的有关定义和性质。实验结果表明,当存在尺度改变和旋转变化的时候,该检测子所提取的兴趣点邻域能较好地覆盖内容相同的局部图像结构。     

一种基于改进SIFT的SAR图像配准算法

为克服SIFT (scale-invariant feature transform)描述子应用于SAR图像配准领域时配准精度低的不足,提出一种基于改进SIFT的SAR图像精确配准算法.该方法首先提取特征点的SIFT描述子和改进的旋转不变纹理化特征描述子,再利用典型相关分析特征融合算法将2种描述子融合,形成新的特征描述子,计算2幅图像中各个特征点间的改进加权距离并通过预先设定好的阈值完成粗匹配,最后通过随机抽样一致性算法去除误匹配实现精匹配,并代入仿射变换模型以求得变换参数,完成图像的配准.仿真结果表明:该方法的匹配性能明显优于SIFT及PCA-SIFT算法,能够有效处理图像在尺度变化、灰度变化、旋转角度变化的情况下SAR图像配准问题,且配准精度达到了亚像素级.     

基于改进YOLOv4-tiny 的舰面多目标检测算法

针对舰面多目标的检测问题,提出一种改进YOLOv4-tiny 的舰面多目标检测算法。在卷积神经网络中引 入卷积注意力模块(convolutional block attention module,CBAM),通过混合通道特征和空间特征来关注舰面目标和 抑制背景特征,提高网络的抗背景干扰能力;针对目标尺度变化加入空间金字塔池化结构(spatial pyramid pooling, SPP)以融合不同尺度的特征,提高对不同大小目标的检测能力;使用Mish 激活函数替代Leaky ReLU 激活函数以获 得更好的泛化能力。实验结果表明：5 类舰面目标的平均检测精度为92.22%,接近YOLOv4 算法的96.48%,而检测 速度(frames per second,FPS)达到了42.5 帧/s,远高于YOLOv4 的18 帧/s;该算法能较好地平衡准确率和速度的关 系,可以对舰面目标进行实时检测。     

一种基于边缘匹配的前视红外目标识别算法

红外目标识别是影响精确制导武器命中精度的重要因素。针对因基准图与实时图存在差异导致模板匹配性能下降的问题,提出了一种基于边缘匹配的前视红外（FLIR）目标识别算法。在模板匹配的基础上,利用目标的邻域信息排除虚警,计算基于匹配代价矩阵的匹配置信度对候选匹配点进行排序,利用前面连续多帧图像的识别结果为当前帧识别提供信息,从而提高目标识别的准确性和鲁棒性。在2组不同目标类型的红外视频序列上所做的实验表明,该算法具有较好的识别性能。     

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。     

基于线性阵列包络线偏移叠加的车辆检测方法

基于声信号和震动信号的车辆目标探测,广泛应用于战场侦查、安防和反恐等领域。提出了一种基于声信号和震动传感器线性阵列包络线偏移叠加的车辆目标检测方法。该方法根据信号包络线特征和相似性,通过偏移叠加的方法进行信号检测和速度估计,不仅能提高对运动车辆目标的检测效率,还可给出它们的运动方向和速度。实验数据分析表明：除了多个车辆同时经过会导致目标信号在时域内重叠外,其他情况下车辆目标都能检测识别;与利用单个传感器的信噪比和持续时间等特征进行检测的结果相比,误检率由61％降至0%,而漏检率由7.8%升至12.5%.     

基于SURF 与BRISK 的遥感图像配准

针对SURF算法在构建局部特征描述符阶段耗时过长的问题,提出一种基于BRISK二进制特征描述符的改进SURF算法。应用SURF算法中快速DoH(determinant of hessian)算子检测特征点并确定主方向,采用BRISK描述符进行特征描述,通过匹配阶段采用汉明距离双向匹配和RANSAC算法剔除误匹配,并利用最小二乘法获取精确配准模型完成图像的配准。对比实验结果表明：该算法大幅提高了匹配速度,其匹配性能也超越了原SURF算法,能够较好地完成遥感图像配准。     

用于目标跟踪的双阈值快速序贯相似性检测算法

为降低序贯相似性检测算法(SSDA)的计算量,提出了一种双阈值快速SSDA算法(DTSSDA)。DTSSDA增加了误差累积速度阈值,当误差累积速度超过速度阈值时可提前终止本次匹配计算,而速度阈值可利用帧间相关性信息自动地选取。另外算法中还引入了积分图的概念并采用了从粗到精的搜索策略。实验表明DTSSDA能在保证匹配精度基本不变的前提下使单帧计算量大幅减少,因此更适合于实时目标跟踪。     

多特征和APSO-QNN相结合的语音端点检测算法

针对传统端点检测算法在多种复杂噪声环境下端点检测正确率低、鲁棒性较弱的问题,提出多特征和加速粒子群优化量子神经网络(APSO-QNN)相结合的端点检测算法。该算法通过提取语音信号的短时能量特征、循环平均幅度差函数特征、频带方差特征及美尔频率倒谱系数特征,将这些特征量输入量子神经网络(QNN)进行学习并利用加速粒子群算法对量子神经网络参数进行优化,构建语音端点检测模型,实现对信号的类型的判别。仿真实验结果表明,该方法不仅提升了语音端点检测的正确率,而且降低了虚检率与漏检率,具有较强的抗噪鲁棒性。