基于混合深度特征的红外目标抗干扰识别算法

复杂干扰条件下的红外空中目标识别技术是空战对抗领域的热点研究课题,复杂人工干扰严重遮蔽目标,导致目标特征的连续性与显著性遭到破坏,无法全面描述识别对象的特性,造成空中目标识别准确率下降。针对此问题,提出一种基于图像混合深度特征的空中目标抗干扰识别算法。首先,基于卷积神经网络进行图像深度特征的提取,将深度特征与梯度直方图(Histogram of Gradient, HOG)特征进行有效融合,构建混合深度特征。针对作战场景中的目标与干扰的对抗态势多样性,将支持向量机的二分类模型改进为三分类模型,对目标、干扰以及目标干扰粘连三种状态进行精确分类。实验结果表明：在复杂干扰环境下,基于混合深度特征的空中目标抗干扰识别算法正确率为92.29%,该算法可以有效地解决目标被干扰遮蔽、形成目标干扰粘连状态时的抗干扰识别问题。     

基于差异化和空间约束的自动图像描述模型

多头注意力机制是图像描述模型的常用方法,该机制通过多分支结构构建关于输入特征的独特属性,以提高特征模型的区分性。然而,不同分支的独立性导致建模存在冗余性。同时,注意力机制会关注于不重要的图像区域,导致描述的文本不够准确。针对上述问题,提出一种损失函数作为训练目标的正则化项,以提高多头注意力机制的多样性和准确性。在多样性方面,提出一种多头注意力的差异化正则,鼓励多头注意力机制的不同分支关注于所描述目标的不同部件,使不同分支的建模目标变得简单。同时,不同分支相互融合,最后形成完整且更有区分性的视觉描述。在准确性方面,设计一种空间一致性正则。通过建模多头注意力机制的空间关联,鼓励注意力机制关注的图像区域尽可能集中,从而抑制背景区域的影响,提高注意力机制的准确性。提出差异化正则和空间一致性正则共同作用的方法,最终提升自动图像描述模型的准确性。所提方法在MS COCO数据集上对模型进行验证,并与多种代表性工作进行对比。实验结果表明：所提方法显著地提高了图像描述的准确性。     

面向领域的仿真设计建模工具SIMDEMO

讨论了面向领域的仿真设计建模工具SIMDEMO的设计和实现.基于透明性、正交性、层次性的视图分解原理,对处于不同阶段、面向不同用户、涉及不同方面的系统模型采用多视图进行分解,建立了以多视图为核心理念的系统协同建模方法,给出了该建模方法下建模所需遵循的过程指导.针对领域模型描述、表示以及操作等多个方面对工具重构的需求,研究得到了基于元对象反射模型的工具架构;架构具有良好适应性,使得工具重构更灵活、简捷.对SIMDEMO的功能结构进行了简介,给出了系统实现方案.最后,将SIMDEMO与典型同类工具作了比较.     

基于概念空间学习认知的机器人目标识别方法

针对复杂环境中机器人多类目标识别通常所依托的原始特征空间中数据区分度低、难以直接表达高层次特征知识的挑战性问题,采用概念空间知识表达方法,通过多传感器数据融合与特征提取建立基本特征空间,并运用高斯混合模型表示目标的各种属性,形成具有高层知识特性的概念空间,在此基础上进行高层知识的概念学习,增强多类目标在概念空间中的可区分性.利用支持向量机作为机器人的分类器,实现针对室内环境的多类目标物体的准确识别.实验结果表明:该方法不但有效地获取和表达待识别目标的高层特征知识,而且能有效提高机器人的目标识别与环境感知能力,展现出优越的分类识别性能.     

基于特征建模的空间非合作目标姿态智能测量方法

为实现空间非合作目标姿态的测量，基于特征建模的思想，提出了一种根据目标激光点云数据进行高效处理的智能测姿态方法.首先，针对空间目标姿态测量的需求，寻找并实现能够高效表征目标姿态的点云数据特征.接着，应用神经网络的方法对目标点云姿态特征进行学习，通过建立合理的神经网络模型和训练数据，实现目标点云特征与姿态间非线性映射关系的建立.最后，利用目标点云仿真数据集，对方法的测量精度和测量实时性进行了评估.实验结果表明：利用特征建模的思想，提出并建立目标点云姿态协方差矩阵特征，实现了点云数据在表征目标姿态方面的信息高度压缩，为神经网络模型的轻量化设计和计算资源严重受限的在轨应用，提供了可行的智能化工程实现方案.     

一种基于支持向量机的小波图像压缩方法

提出了一种结合支持向量机(SVM,Support Vector Machines)回归与小波变换的新的静态图像压缩方法.SVM回归方法可以学习原始数据之间的相关性,并采用小部分训练样本,即支持向量来稀疏表示原始数据集,利用这一特性来逼近和约减小波系数,可以达到数据压缩的效果.首先采用小波变换把原始图像分解成不同尺度的多个子带,由于最低频子带系数非常重要,采用DPCM直接编码,然后对其它频带系数采用SVM回归进行压缩.由于不同尺度和方向的小波系数特征不同,为尽可能去除小波系数间的各种相关性,给出了适合SVM回归的小波系数的有效组织方式.最后研究了支持向量及其相应权重的混合编码方法.实验结果表明:与同类压缩方法相比,本算法获得的恢复图像的主客观质量有明显提高.      

M-FSVM在可靠性寿命分布模式识别中的应用CSCD

在产品的可靠性研究中,准确、有效地识别产品所属的寿命分布,是可靠性建模成败的关键。针对传统支持向量机(SVM)在解决多分类问题时存在不可分区域等缺陷,提出了一种基于多分类模糊支持向量机(M-FSVM)的可靠性寿命分布模式识别方法,建立了包括指数分布、正态分布、对数正态分布和威布尔分布四种常用寿命分布模式识别的模糊支持向量机模型,并进行了仿真试验研究。仿真试验结果表明,该模型能够克服传统支持向量机中存在的不足,能够对常用的寿命分布模式进行智能识别,识别率高,便于工程应用。     

基于Gabor滤波器的图像目标识别方法

为了给机器人视觉导航提供有效信息,提出一种基于图像匹配的目标识别方法.对CCD采集的目标图像,由 Gabor 变换生成的二维Gabor 滤波器有着优良的滤波器性能,不需要对图像进行分割,能适应一定的旋转、尺度、光照的变化,通过多个频率和角度的Gabor算子与图像的卷积,获取图像全局信息的特征描述.分类方法采用统计学习理论基础上发展起来的一种新的机器学习方法——支持向量机(SVM, Support Vector Machines),它可解决模型选择、过学习、维数灾难等问题.通过支持向量机进行多维特征向量的分类.该方法可达到较高的识别率,达到实时处理的要求,可以在人脸识别、机器人视觉定位等领域得到应用.      

基于局部径向二值模式的三维人脸识别

针对人脸识别中局部特征的提取,提出了局部径向二值模式(LRBP,Local Radial Binary Pattern),并将其用于三维人脸识别.首先,对经过预处理的人脸深度图像进行区域划分;然后用局部径向二值模式提取子区域的特征序列,并将其链接在一起构成三维人脸的特征向量;最后,利用Fisherface方法对三维人脸特征向量进行训练和识别.在中国科学院自动化研究所三维人脸数据库中选取样本,利用LRBP对其进行识别,结果表明该方法在基本不损失识别率的前提下,可以有效提高识别的效率.      

基于扩展卡尔曼滤波的舰机相对位姿估测

通过将基于扩展卡尔曼滤波的长序列图像分析方法与单目视觉技术相结合,把无人机自主着舰视觉导引中舰机间相对位姿的估测,转化为机载摄像机对着舰靶标平面3D位姿的实时估测问题.首先根据透视投影理论,建立了以摄像机的透镜中心为原点且Z轴与光轴重合的摄像机坐标系和世界坐标系,然后利用机载摄像机连续拍摄的靶标图像序列,选择描述相对运动的3个欧拉角、平移向量及它们的速度作为状态变量;由靶标角点的提取和帧间匹配,建立了反映着舰靶标上特征点的图像坐标和状态变量之间关系的观测方程,带入扩展卡尔曼滤波器,估测出舰机的相对运动参数.计算机数据仿真和基于DSP平台的半实物仿真试验验证了算法的有效性和鲁棒性.      

基于三元组网络的单图三维模型检索

随着媒体数据的多样化发展，联合图像与三维模型的跨域检索成为三维模型检索问题的一个新挑战。针对图像与三维模型差异大、难匹配问题，提出了一种基于三元组网络的跨域数据检索方法。以端到端的方式构建真实图像与三维模型的特征联合嵌入空间，通过特征间的距离度量不同模态数据之间的相似性，实现从单张图像检索相似的三维模型。为了提高跨域检索准确度，将三维模型用一组顺序视图表示，结合门控循环单元（GRU）聚合视图级特征，同时引入注意力机制提取图像特征，缩小真实图像与投影视图间的语义差异。实验结果表明:相比于同类方法，所提方法在两个跨域数据集上的检索平均准确率至少提升2.98%~3.05%。      

基于支撑描述的SIFT匹配方法

为减少局部结构相似等因素导致的图像匹配错误,提出一种基于支持描述的匹配判定方法.利用尺度不变特征变换（SIFT,Scale Invariant Feature Transform）算法获得初始匹配集,选取其中稳定性较高的特征点对建立支撑特征集;根据支撑特征点的分布,对初始匹配集的剩余特征点对进行支撑描述,并根据所生成支撑描述符的相似程度,判定剩余特征点对是否为正确匹配.经判定正确的匹配特征点对被加入支撑特征集,使支撑特征集动态扩展,保证了支撑特征点的分布密度及支撑描述的准确性.实验结果表明,该方法能够在保留正确匹配的同时,消除90%以上的错误匹配,有效提高正确匹配率.      

基于序列图像的空间目标三维重建

空间目标三维重建对空间态势感知和理论研究具有重要意义。针对空间目标图像存在的由纹理重复导致的错误重建问题,提出了一种新的基于运动信息恢复三维场景结构策略。该策略将序列目标图像的成像时间顺序作为先验信息,顺序地加入新图像进行迭代,以避免因目标结构对称、纹理重复所导致的重建错误。同时针对空间目标成像数据匮乏的问题,进行了空间目标图像仿真,并开展了空间目标地面模拟成像实验研究。结果表明:运动分析结果精确,对噪声有较强的鲁棒性,恢复出的目标三维点云能在一定程度上表达目标的结构信息。同时给出了进行空间目标三维重建时图像序列应满足的边界条件。      

基于BoF模型的多特征融合纹理图像分类

针对特征词袋（BoF）模型缺乏空间和几何信息,对纹理图像内容表达不明显等问题,提出一种基于BoF模型的多特征融合纹理分类算法。将灰度梯度共生矩阵（GGCM）和尺度不变特征转换（SIFT）融合特征作为纹理图像的区域特征描述,通过动态权重鉴别能量分析进行最优参数特征选择,并用BoF量化纹理特征,使用支持向量机对图像进行训练和预测,得出分类结果。实验结果表明,本文算法对有旋转扭曲的纹理、边缘模糊纹理、有光照变化的纹理及杂乱纹理等均能取得较好的分类效果,相对于传统BoF模型及凹凸划分（CCP）方法等算法在UIUC纹理库上的分类正确率均有不同程度的提高,平均分类正确率分别提高12.8%和7.9%,说明本文算法针对纹理图像分类具有较高的精度和较好的鲁棒性。      

基于BDS-GD的低截获概率雷达信号识别

针对在信号特征提取与识别中使用双谱估计数据量大、维度高的问题,提出了双谱对角切片（BDS）与广义维数（GD）相结合的识别方法。通过提取信号双谱对角切片减少数据量,并利用多重分形理论中的广义维数降低数据维度,对切片内部特性进行细微描述,基于距离测度提出特征评价指标,从而选出最具有区分度的3个阶数对应的广义维数作为特征向量,输入到最小二乘支持向量机中进行分类识别。使用4种低截获概率（LPI）雷达信号作为待识别信号,仿真结果表明,本文方法提取的信号特征在特征空间中有良好的聚集性和离散性,在0 dB信噪比下,识别准确率能达到92.2%,与选取的其他方法对比说明其具有很好的识别性能。