基于形态自适应网络的无人机目标跟踪方法

针对无人机影像目标跟踪过程中常出现的目标方向变化、目标遮挡变化、样本多样性不足等问题,提出了一种基于形态自适应网络的无人机航空影像目标跟踪算法。首先使用基于数据驱动的方法对数据集进行扩增,添加了遮挡样本和多旋转角度样本,提高样本多样性;提出的形态自适应网络模型通过旋转不变约束改进深度置信网络,提取强表征能力的深度特征,使得模型能够自动适应目标形态变化,利用深度特征变换算法获取待检测目标的预定位区域,采用基于Q学习算法的搜索机制对目标进行自适应精准定位,使用深度森林分类器提取跟踪目标的类别信息,得到高精度的目标跟踪结果。在多个数据集上进行了对比实验,实验结果表明该算法能够达到较高的跟踪精度,可以适应目标旋转、目标遮挡等形态变化情况,具有较好的准确性和鲁棒性。     

红外目标与环境的视景重建技术研究

研究了图像环境生成过程中红外目标特征信息提取所面临的重要技术问题,提出了自适应背景感知与对消处理、抑制背景的自动门限选取和形状分析与目标特征识别的层次化数据处理流程.基于数学形态学理论实现了图像背景感知的应用研究算法.实验测评表明,该算法对复杂变化的图像环境具有良好的滤波性能和稳健的适应能力     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

基于邻帧差分近邻反相特征的红外运动点目标检测算法

基于运动点目标在邻帧差分图像中所具有的近邻反相特征,即运动点目标的两个位置相邻近、灰度值一正一负,提出一种在复杂背景下,基于红外序列图像的运动点目标检测算法.本算法利用该特征在邻帧差分图像中检测反相点对,进而构造反相点对矢量图,最后依据累积反相点对矢量图中多矢量首位相接的连续性检测出运动的点目标.文中给出并证明应用本算法能以概率1检测到运动点目标的收敛性定理.对典型复杂背景下10幅1000帧图像的仿真结果表明,当信噪比大于或等于1.5时,可以有效检测出运动点目标.     

基于运动信息的视频图像空间目标检测

针对卫星拍摄的以深空为背景的视频图像中空间运动目标的检测问题进行了研究,提出了一种基于运动信息的目标检测算法。首先,通过均值滤波对图像进行降噪处理；然后,采用基于局部统计的可变阈值来分割单帧图像,使用灰度重心法计算像点坐标。当卫星凝视目标区域时,恒星可以认为是静止的,而目标依旧在运动,基于此,可检测出空间运动目标。基于某型卫星在轨拍摄的视频图像验证了算法的有效性。     

一种基于红外图像的目标自动识别算法

红外成像制导具有在各种复杂战术环境下自主搜索、捕获、识别和跟踪目标的能力,代表了当代红外制导技术的发展趋势。提出了一种红外图像预处理、跟踪、分类的自动目标识别算法,利用小波变换、形态学方法对红外图像进行预处理,提取不同频带的惯性不变矩作为特征量,利用神经网络进行分类识别,结果表明该算法具有很高的识别率,对于精确制导武器的目标识别研究具有一定的参考价值。     

复杂背景下红外弱小运动目标检测的新方法

提出了一种用于检测不同类型复杂背景下红外弱小运动目标的新方法。该方法能够根据图像信息自动选择背景预测算子;同时,针对不同类型复杂背景中目标和背景特性的差异,提出了“局部小目标可辨识度”的概念,并定义了一种有效的方法将其量化。在此基础上,采用蒙特卡罗实验方法构造了一种新的阈值函数,实现了单帧目标的检测,然后采用移动加权管道滤波提取目标的运动轨迹。实验结果表明,该方法对不同类型复杂背景的红外弱小运动目标具有很好的检测性能。     

改进的特征匹配雷达视频运动目标跟踪算法

针对密集杂波和复杂多目标情况下,特征匹配跟踪算法定位跟踪精度较低的问题,提出一种改进的特征匹配雷达视频运动目标跟踪算法。首先,从单帧雷达图像检测结果中提取目标的面积、位置、不变矩信息,在运动目标得到判定后,利用卡尔曼滤波的预测位置以及上一帧特征信息进行目标匹配;然后,根据匹配位置和预测位置给出目标估计位置,并进行特征信息更新;最后,输出目标的特征信息、位置信息和运动参数。利用某型导航雷达上采集的实测数据验证了算法的有效性。     

一种基于背景自适应的运动目标检测与跟踪算法

背景图像差分法是运动目标实时检测中常用的方法,但缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了该方法的适应性。对此,文章首先提出了一种自适应背景更新方法;然后利用最大类间方差法实现运动目标的自适应阈值分割,并利用基于形态学方法的连通区检测算法检测运动目标;最后以Kalman滤波为运动模型实现对运动目标的连续跟踪。实验结果表明:所提方法可随着光照条件的变化,实时、准确地检测出运动目标并实现稳定跟踪。     

基于运动特征和中心环绕模型的空对地车辆检测方法

平台的移动基于空基车辆检测以其视野广、速度快、适应性强等优点,近些年成为了智能交通和航空应急救援等领域内的一个热点课题。然而,在城市背景的交通环境下,由于复杂背景造成的干扰、车辆运动的不规律性以及光照等条件变化带来的噪声,有效地获取运动对象特征是空对地视觉监视方法面临的一个难题。为有效解决这一问题,提出了结合运动特征的中心环绕模型进行空对地车辆检测的算法。现有的空对地车辆检测算法,大多是针对固定的摄像头的情况下,基于运动特征进行检测,例如光流法、背景差法等。这些方法在对高速公路等背景相对较为简单的环境下获得了良好的检测结果,但当面对城市复杂背景条件或摄像头自身运动的状况时,难以有效地检测出运动目标。而在对颜色、强度等静态特征进行显著度分析的基础上,加入了对运动特征的分析,可以解决在复杂环境下准确提取车辆目标有效特征的问题。试验表明,相较于基于图像相减的检测算法和单一显著度算法,该算法可以获得更高的检测率与更低的误报率。     

空中运动目标的识别和跟踪控制

针对空中运动目标的识别和跟踪,提出图像匹配算法和连通域算法相结合的方法。该方法主要用图像匹配算法获得目标的位置信息,当图像匹配算法失效时,则采用连通域算法重新捕获目标、获得图像模板。同时,为提高跟踪的实时性,采用最小二乘线性预测法来预测目标的运动轨迹。在实验室的目标跟踪系统平台上,该方法能够对运动目标进行稳定的识别和跟踪。     

Moving target detection via airborne HRR phased array radar

We study moving target detection in the presence of temporally and spatially correlated ground clutter for airborne high range resolution (HRR) phased array radar. We divide the HRR range profiles into large range segments to avoid the range migration problems that occur in the HRR radar data. Since each range segment contains a sequence of HRR range bins, no information is lost due to the division and hence no loss of resolution occurs. We show how to use a vector autoregressive (VAR) filtering technique to suppress the ground clutter. Then a moving target detector based on a generalized likelihood ratio test (GLRT) detection strategy is derived. The detection threshold is determined according to the desired false alarm rate, which is made possible via an asymptotic statistical analysis. After the target Doppler frequency and spatial signature vectors are estimated from the VAR-filtered data as if a target were present, a simple detection variable is computed and compared with the detection threshold to render a decision on the presence of a target. Numerical results are provided to demonstrate the performance of the proposed moving target detection algorithm     

SAR极坐标格式成像算法对运动目标响应特性

运动目标的合成孔径雷达（SAR）成像特征是SAR地面运动目标指示（SAR/GMTI）系统进行运动目标检测、成像和重定位的基础。为此,从信号二维解耦合校正距离徙动角度推导和分析了极坐标格式算法（PFA）对运动目标的响应特性,揭示了极坐标格式转换过程中的距离插值和方位插值对运动目标距离徙动的校正原理。理论分析表明：PFA在完成对静止目标成像的同时,还能够自动校正所有运动目标的线性距离徒动,且校正过程无需目标运动信息,因此对于径向运动目标,在忽略波前弯曲条件下PFA也能够对其进行完全聚焦。最后,通过仿真数据处理对理论分析结果进行了验证,表明PFA作为一种运动目标成像预处理方法具有很大的应用前景。     

基于动态规划的低可观测目标检测与跟踪

动态规划算法用于检测与跟踪低可观测的运动目标,它是一种“检测置前跟踪”技术,在检测到目标的同时得到目标航迹。通过仿真,给出了动态规划算法的处理结果并分析了动态规划算法的性能。结果表明该算法在低信噪比时可以观察到较好的性能,但是当信噪比进一步下降时,其性能会迅速下降。     

Super resolution feature extraction of moving targets

High range resolution (HRR) moving target indicator (MTI) is becoming increasingly important for many military and civilian applications such as the detection and classification of moving targets in strong clutter background. We consider the problem of extracting the HRR features of moving targets with very closely spaced scatterers in the presence of strong stationary clutter, where the range migration and Doppler frequency are taken into account. A relaxation-based algorithm, which is robust and computationally simple, is proposed to deal with the above problem. Numerical results have shown that the proposed algorithm exhibits super resolution and excellent estimation performance     

Application of Road Information in Ground Moving Target Tracking

A new algorithm is developed to achieve accurate state estimation in ground moving target tracking by means of using road information. It is an adaptive variable structure interacting multiple model estimator with dynamic models modification （DMM VS-IMM for short）. Firstly, road information is employed to modify the target dynamic models used by filter, including modification of state transition matrix and process noise. Secondly, road information is applied to update the model set of a VS-IMM estimator. Predicted state estimation and road information are used to locate the target in the road network on which the model set is updated and finally IMM filtering is implemented. As compared with traditional methods, the accuracy of state estimation is improved for target moving not only on a single road, but also through an intersection. Monte Carlo simulation demonstrates the efficiency and robustness of the proposed algorithm with moderate computational loads.     

Neural network learning of low-probability events

In the problem of stationary target identification (STI) via millimeter wave (MMW) seeker radars in heavy clutter environments, it is often necessary to use nonparametric identification procedures, as detailed parametric models of clutter and target returns are generally unavailable. Neural networks provide an attractive approach to perform nonparametric identification. However, when identifying low-probability events, the computational overhead associated with training a neural network can become excessive. This is because low-probability events must be adequately represented in the training sample. We present a modified backpropagation training algorithm based on a likelihood ratio weighting function (LRWF) to train the neural network using a much smaller training set than that required using the standard backpropagation algorithm This algorithm is closely related to the importance sampling technique used in digital communication systems to obtain probability of error estimates by using a much smaller number of simulation runs than what is required with standard Monte Carlo simulation. The modified backpropagation technique results in a significant reduction in computational overhead in training the network, resulting from a substantial reduction in the size of the training set required to achieve a given level of performance. We demonstrate the performance of the algorithm on simulated data for the STI problem in MMW radar     

基于自适应遗传BP算法神经网络数据融合的空中目标识别

空中目标识别是现代防空作战的重要研究内容。本文利用不同类型目标产生的多类型传感器的数据信息对目标进行识别。为了训练神经网络目标识别分类器，将遗传算法和BP算法相结合，提出了一种新的自适应遗传BP算法，利用这种神经网络来确定指标的权值。仿真试验结果表明，基于自适应遗传BP算法神经网络的识别是一种简单、可靠的目标识别方法，具有很好的目标识别效果。     

基于CenterNet 的航空遥感图像目标检测

为实现高精度的航空图像目标检测，将Anchor free 的目标检测算法CenterNet 应用到检测中，同时 使用Resnet50 主干网络，并引入CIoU 损失替代原有损失函数对网络模型做出了改进。改进后的算法在RSOD 与DIOR 数据集上进行测试，结果显示在保证网络轻量化的前提下检测精度有明显的提高，证明了算法在航空 目标检测方面的可行性与准确性。