一种对斑点目标高精度质心跟踪方法

本文介绍一种对运动的斑点目标灰度质心进行高精度跟踪的方法。通过对图象序列中目标质心位置和帧间位移量的测量误差分析，提出了改进的滤波模型，有效地抑制了图象灰度噪声和空间量化误差的影响，提高了斑点目标跟踪精度。     

复杂背景中红外弱小目标检测技术研究

对复杂背景中红外弱小目标检测识别的一种图像处理技术进行了研究。用最大中值滤波进行预处理以抑制孤立噪声影响,采用时域方差滤波抑制背景信息,对滤波后的图像根据直方图信息进行自适应二值化处理,由多帧轨迹确定目标。用实验与基于形态学算子滤波的目标检测算法进行了比较,结果表明该算法能获得较满意的目标检测结果,两种滤波方法的组合可有效提高信噪比。     

均方差图象匹配系统的最佳窗口函数

本文假定图象信号和附加噪声是零均值齐次高斯随机场,且二次可微,实测图象相对于参考图象有小的几何失真,导出了描述匹配系统配准特性的两个参数(极大极小比率和定位精度)的解析表达式,以此为优化目标,用变分学方法导出了均方差图象匹配系统最佳窗口函数Ⅰ、Ⅱ的实域和频域表达式,最后用计算机模拟验证了最佳窗口函数对图象匹配系统定位特性的改善。     

动态神经网络的稳定性分析

应用李亚普诺夫稳定性理论推导出Ｈｏｐｆｉｅｌｄ网络绝对稳定的充分条件。对本文的结果与其它Ｈｏｐｆｉｅｌｄ网络稳定性判据的关系作出讨论。为Ｈｏｐｆｉｅｌｄ网络稳定性分析提供了新的途径。     

具有人工智能的激光雷达探测器

美国 LTV 公司沃特分部正在研制一种使用人工智能系统的导弹。这种人工智能系统能判断来自激光雷达探测器的信息以捕捉目标、能测出目标距离(这是电视或前视红外探测器所不能的)、能形成一个三维图象以与存贮在计算机中的敌方目标图象相比较,因此可能区别美、苏坦克。该系统预期可于3到4年内研制成功,每套系统预计成本为5万美元。人工智能系统是将技术行家设计的、数以千计的、代表专业人员如何工作的准则存贮在     

基于深度学习的目标检测框架组件研究

深度学习与计算机视觉的结合给目标检测研究领域带来了全新的检测模式,通过对基于深度学习的目标检测网络分析研究,目标检测网络框架可模块化地拆分为特征提取网络、多尺度融合和预测网络三个部分。从组成目标检测网络模块化的角度对各个模块进行了详细的分析综述,并给出了如何根据实际需求来构建适合的模型框架建议,为基于深度学习的目标检测方法研究提供参考。     

基于最大值投影的运动点目标检测算法及其性能

针对低信噪比序列图像中微弱点状运动目标检测,提出了一种基于最大值投影构造组合帧图像与帧序号图像的检测算法,给出了算法的计算步骤。用建立的检测率和虚警率的分析模型,讨论了检测率、虚警率、信噪比、构造组合帧的图像帧数间的关系。仿真结果表明,通过合理选择组合帧数,该算法可有效检测出低信噪比条件下图像序列中的运动点目标和交叉运动的多点目标。     

基于CNN-BiGRU的空间目标RCS异常检测方法

针对相控阵雷达获取单个空间目标RCS数据率低、传统姿态异常检测方法提取短RCS序列有效特征困难、检测准确率低的问题,提出了一种基于CNN-BiGRU网络的RCS异常检测方法。首先利用滑动窗口对一段时间空间目标RCS实时数据进行积累;之后采用一维CNN提取不同检测窗口RCS序列的多尺度高维特征向量,采用BiGRU提取特征向量的时序依赖特征。通过将两个网络级联,实现对RCS随目标姿态变化的多元特征信息的有效提取;最后基于全连接层实现对目标异常RCS序列的分类与识别。仿真实验结果表明：相较于传统方法,所提方法检测准确率更高,抗噪声干扰能力更强。实测实验结果表明：利用仿真数据训练的模型针对不同源的实测数据,在低数据率条件下能够保持较高的检测准确度,所提方法具有较好的泛化性,更适用于相控阵雷达体制下RCS的异常检测。     

基于概率竞争网络的SAR图象舰船目标分割

针对SAR图象固有的乘性斑噪，把概率竞争网络用于SAR图象分割和水上目标检测，充分利用了图象象素间的空间邻接关系，提高了分割、检测的准确性和有效性，取得了较好的结果。     

系列图象分析和三维目标参数提取技术

系列图象分析是很有前途的崭新学科。本文把分析技术分成光流分析法和几何分析法两大类。在论述两类分析技术的基础上,重点研究了如何检测流速、提取三维几何参数和运动参数以及如何恢复物体的结构,也涉及到三维目标识别问题。文内比较详细地研究了线性的算法,并且提供了已经实现过的某些实验方案和结果。还提出了新方案,即“通用系列图象分析和三维目标参数自动探测装置”。最后,对发展趋势作出了估计,认为系列图象分析技术正朝着理论的完备性和应用的现实性推进。     

基于YOLOV3的改进目标检测识别算法

经过近几十年不断的研究和发展，红外目标检测识别在侦察、导弹制导等领域取得了卓越的成就和广泛的应用，亦成为当今的热门话题。为进一步提高模型的检测识别性能，提出一种基于YOLOV3改进的目标检测识别算法。首先，通过分析红外目标的检测特性，改进了原始算法的特征提取网络，融合KL-LOSS，在原网络预测目标位置的基础上，进一步预测了位置的准确度标准差，并结合Soft-NMS算法用于改善网络的检测准确度;其次，针对红外目标相对三通道彩色图像的特征量少的问题，在检测层前融合了SKNET模块，使网络更加关注目标的有用特征;最后，给出改进网络训练的新的损失函数及前向传播算法流程。实验结果表明:改进的KS-YOLO网络在目标域(实拍空中红外目标数据集)上的平均AP性能值要优于原来的YOLOV3网络2.4个百分点，预测时间比YOLOV3实用性更好、更快。     

有几何失真时均方差图象匹配算法的局部精度

本文假定图象信号和附加噪声是相互独立的零均值二维齐次高斯随机场,且二次可微。导出了有几何失真时均方差图象匹配算法的局部精度公式,分析了几何失真和噪声对匹配精度的影响。给出的实例和计算结果验证了方法的正确性。     

用鲁棒算法使宽带雷达信号与目标实现最佳匹配的目标识别新方法

介绍了一种采用耦合振荡器阵列进行宽带雷达信号传输的新方法。这种方法表明振荡器阵列的总体输出是一种能够与特定方位目标匹配的灵活信号。此外，还介绍了一种新的基于相关矩阵本征向量的鲁棒算法，用此算法可以使耦合振荡器阵列产生的信号与目标在有限方位范围内实现匹配。因为雷达不能够精确估计真实目标的方位，所以具有这种性能是很重要的。在这种用于雷达目标识别的新方法中，在估计了未知目标的近似方位后，依次合成并向目标发射了大量与不同潜在目标相匹配的各种波形。这样，后向散射信号的最大峰值功率就会标明出目标的身份。计算机模拟表明这项技术对附加噪声和方位角不定性尤其有效。     

凝视视频卫星目标检测算法

为了实现对高分辨率光学遥感视频卫星成像视场范围内的飞机目标进行快速高效检测,提出一种遥感影像快速目标检测方案。文章借鉴深度卷积神经网络模型YOLO系列算法高速检测目标优点,引入端对端式全卷积神经网络构建检目标测算法,通过实验统计和探索光学卫星成像视场范围大小对目标检测准确率和检测速度的影响,结合目标尺度进行网络调优、改进检测模型,得到基于凝视成像视频卫星目标检测的高效算法。运用算法对来自"吉林一号"光学A星及视频3星的影像数据集进行目标检测实验统计,在413张800像素×800像素的静态遥感影像测试集中实现76.2%的平均检测准确率,在同等尺度的遥感视频序列中实现31帧/s的检测速度。该算法成功将深度卷积神经网络技术引入到凝视视频卫星遥感应用领域,有效证明了深度学习技术在遥感视频识别领域的可行性。     

基于深度学习的雷达辐射源识别算法

为解决雷达辐射源识别中特征提取困难、低信噪比条件下识别效率低的问题,提出了一种基于一维卷积神经网络和长短期记忆网络的深度学习智能识别算法,构建了一个CNN?LSTM网络,能实现对不同脉内调制方式雷达辐射源的端到端识别。该网络首先利用卷积层学习信号局部特征,然后将卷积层输出的结果输入长短期记忆网络,学习信号的全局特征,最终构造逻辑回归分类完成分类识别任务。仿真结果表明,该算法较单一卷积神经网络模型具有更好的识别效果,抗噪声效果更强,在-6 dB信噪比的条件下,识别的准确率仍能够达到90%以上。     

平均绝对差图象匹配系统的定位精度

本文证明了两个基本定理。在假定图象信号和附加噪声是相互独立的零均值齐次高斯随机场、且二次可微的条件下,解决了平均绝对差图象匹配系统的定位精度的分析和计算问题。用实例说明了精度分析和计算的方法,分析了影响定位精度的因素和参数。为匹配性能的定量分析提供了理论依据和方法。     

用Hopfield网络求解工艺尺寸链

论述了用计算机程序实现工艺尺寸链的求解过程，提出了一种利用Ｈｏｐｆｉｅｌｄ网络求解工艺尺寸链的新方法。对Ｈｏｐｆｉｅｌｄ网络的数学模型和计算方法，以及如何判定工艺尺寸欠约束和过约束问题进行了探讨。     

一种图像制导中的特征点识别方法

图像制导中的一个关键问题是由图像序列中识别出目标物体及其运动参数。尤其是目标运动参数的精确估算,对提高导弹制导精度非常重要。目前,从图像序列中识别目标运动参数的一个常用的方法是通过目标物体上的一组特征点在相邻几帧图像上位置的变化进行估算,因而,合理的选择特征点就非常关键。本文在分析目标边缘几何形状的基础上,给出一种简单易行的特征点识别方法。     

旋转失效卫星的运动观测及消旋接触方案设计

以旋转失效卫星的消旋为研究背景,提出一种双重光流约束的特征点运动跟踪识别方法。该方法利用双目视觉,可实现对非合作旋转失效卫星的运动观测,并为机械臂消旋操作提供接触方案。首先,跟踪识别序列图像中稳定存在的特征点并记录其轨迹,采用频域分析的方法检测特征点轨迹的变化频率,从而获取目标旋转角速度,通过地面物理实验,验证所提目标运动观测的有效性;随后,利用特征点轨迹分析目标的运动包络与适宜接触区域,并根据目标运动特性和接触消旋的时间约束,给出完成消旋的接触强度约束,继而得到机械臂的操作性能需求,为接触式消旋的工程实践提供参考。     

基于数据扩充和特征增强的雷达回波无人机检测

针对基于雷达无人机目标识别难度高、精确度低、适应性差等问题，本文提出了利用深度学习的方法，对雷达回波进行无人机检测。首先，利用相参累积的方法生成雷达回波的距离-多普勒图像，增强目标特征并提高信噪比;其次，采用生成对抗模型对距离-多普勒图像进行数据扩充，以获得充足的图像数据减小网络的过拟合并提高网络鲁棒性;最后，使用基于位置感知的卷积神经网络增强特征，通过构建基于距离-多普勒图像的感知模块，实现对目标距离和运动速度的检测。通过在雷达回波序列中弱小飞机目标检测跟踪数据集上验证的结果表明:最终检测结果在召回率89%的情况下达到了91%的准确率。相比于基准方法，本文提出的方案具有更高的检测精度和更好的网络运行效率。